論文の概要: A computationally efficient framework for vector representation of
persistence diagrams
- arxiv url: http://arxiv.org/abs/2109.08239v1
- Date: Thu, 16 Sep 2021 22:02:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 07:33:09.457709
- Title: A computationally efficient framework for vector representation of
persistence diagrams
- Title(参考訳): パーシステンス図のベクトル表現のための計算効率のよいフレームワーク
- Authors: Kit C. Chan, Umar Islambekov, Alexey Luchinsky, Rebecca Sanders
- Abstract要約: 本稿では,ベクトル化永続化ブロック(VPB)と呼ばれる$mathbbRn$の永続化ダイアグラム(PD)をベクトルに変換するフレームワークを提案する。
我々の表現は、入力雑音に対する安定性、計算コストの低さ、柔軟性など、ベクトルベースの要約の望ましい多くの特性を持っている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In Topological Data Analysis, a common way of quantifying the shape of data
is to use a persistence diagram (PD). PDs are multisets of points in
$\mathbb{R}^2$ computed using tools of algebraic topology. However, this
multi-set structure limits the utility of PDs in applications. Therefore, in
recent years efforts have been directed towards extracting informative and
efficient summaries from PDs to broaden the scope of their use for machine
learning tasks. We propose a computationally efficient framework to convert a
PD into a vector in $\mathbb{R}^n$, called a vectorized persistence block
(VPB). We show that our representation possesses many of the desired properties
of vector-based summaries such as stability with respect to input noise, low
computational cost and flexibility. Through simulation studies, we demonstrate
the effectiveness of VPBs in terms of performance and computational cost within
various learning tasks, namely clustering, classification and change point
detection.
- Abstract(参考訳): トポロジカルデータ分析では、データの形状を定量化する一般的な方法は永続図(PD)を使用することである。
PDは代数トポロジーのツールを用いて計算された$\mathbb{R}^2$の点の多重集合である。
しかし、このマルチセット構造はアプリケーションにおけるPDの有用性を制限する。
そのため,近年,PDから情報的かつ効率的な要約を抽出し,機械学習タスクの利用範囲を拡大する取り組みが進められている。
本稿では,ベクトル化永続化ブロック(VPB)と呼ばれる$\mathbb{R}^n$のPDをベクトルに変換する計算効率の良いフレームワークを提案する。
提案手法は,入力雑音に対する安定性,計算コストの低さ,柔軟性など,ベクトルベースサマリーの所望の特性を多数有することを示す。
シミュレーション研究を通じて,様々な学習タスク,すなわちクラスタリング,分類,変化点検出におけるパフォーマンスと計算コストの観点からvpbの有効性を実証する。
関連論文リスト
- Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳(メタデータ) (2024-03-08T18:50:19Z) - Self-Supervised Learning with Lie Symmetries for Partial Differential
Equations [25.584036829191902]
我々は、自己教師付き学習(SSL)のための共同埋め込み手法を実装することにより、PDEの汎用表現を学習する。
我々の表現は、PDEの係数の回帰などの不変タスクに対するベースラインアプローチよりも優れており、また、ニューラルソルバのタイムステッピング性能も向上している。
提案手法がPDEの汎用基盤モデルの開発に有効であることを期待する。
論文 参考訳(メタデータ) (2023-07-11T16:52:22Z) - Provably Efficient Representation Learning with Tractable Planning in
Low-Rank POMDP [81.00800920928621]
部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究
まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。
次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
論文 参考訳(メタデータ) (2023-06-21T16:04:03Z) - A Multi-Resolution Framework for U-Nets with Applications to
Hierarchical VAEs [29.995904718691204]
無限次元関数空間上のモデルの有限次元切り込みとしてU-Netを識別する多分解能フレームワークを定式化する。
次に、我々のフレームワークを活用して、U-Netアーキテクチャを持つ最先端階層型VAE(HVAE)を特定します。
論文 参考訳(メタデータ) (2023-01-19T17:33:48Z) - Provable General Function Class Representation Learning in Multitask
Bandits and MDPs [58.624124220900306]
マルチタスク表現学習は、サンプル効率を高めるために強化学習において一般的なアプローチである。
本研究では,解析結果を一般関数クラス表現に拡張する。
バンディットと線形MDPの一般関数クラスにおけるマルチタスク表現学習の利点を理論的に検証する。
論文 参考訳(メタデータ) (2022-05-31T11:36:42Z) - PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。
最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
論文 参考訳(メタデータ) (2021-09-15T01:10:30Z) - Estimation and Quantization of Expected Persistence Diagrams [0.0]
本稿では,2つの要約,EPD(Persistence Diagram)とその量子化について検討する。
EPDはR2でサポートされる測定値です。
この推定器は、パラメトリック収束率を持つ大クラスのモデルのミニマックスの観点から最適であることを示す。
論文 参考訳(メタデータ) (2021-05-11T08:12:18Z) - The Interconnectivity Vector: A Finite-Dimensional Vector Representation
of Persistent Homology [2.741266294612776]
Persistent Homology (PH) はデータセットの基盤構造を研究する上で有用なツールである。
パーシステンス図(Persistence Diagrams、PD)は、データセットのPHを研究することによって発見された情報の簡潔な要約である。
我々はBag-of-Words (BoW) から適応したPDの表現である相互接続ベクトルと呼ばれる新しい有限次元ベクトルを提案する。
論文 参考訳(メタデータ) (2020-11-23T17:43:06Z) - Efficient Learning of Generative Models via Finite-Difference Score
Matching [111.55998083406134]
有限差分で任意の順序方向微分を効率的に近似する汎用戦略を提案する。
我々の近似は関数評価にのみ関係しており、これは並列で実行でき、勾配計算は行わない。
論文 参考訳(メタデータ) (2020-07-07T10:05:01Z) - Sample-Efficient Reinforcement Learning of Undercomplete POMDPs [91.40308354344505]
この研究は、これらの硬度障壁が、部分観測可能決定過程(POMDP)の豊かで興味深いサブクラスに対する効率的な強化学習を妨げないことを示している。
提案手法は, 観測回数が潜伏状態の数よりも大きく, 探索が学習に不可欠であり, 先行研究と区別できるような, エピソード有限不完全POMDPに対するサンプル効率アルゴリズムOOM-UCBを提案する。
論文 参考訳(メタデータ) (2020-06-22T17:58:54Z) - Physically interpretable machine learning algorithm on multidimensional
non-linear fields [0.0]
PCE(Polynomial Chaos Expansion)は、確率的入出力マッピングの堅牢な表現として長年使われてきた。
パターン認識やデータ圧縮にDR技術がますます使われている。
本研究の目的は,PODとPCEを組み合わせてフィールド計測に基づく予測を行うことである。
論文 参考訳(メタデータ) (2020-05-28T11:26:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。