論文の概要: Visual Cluster Separation Using High-Dimensional Sharpened Dimensionality Reduction

• arxiv url: http://arxiv.org/abs/2110.00317v1
• Date: Fri, 1 Oct 2021 11:13:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 21:01:59.883491
• Title: Visual Cluster Separation Using High-Dimensional Sharpened Dimensionality Reduction
• Title（参考訳）: 高次元シャープ化次元縮小による視覚クラスタ分離
• Authors: Youngjoo Kim, Alexandru C. Telea, Scott C. Trager, Jos B. T. M. Roerdink
• Abstract要約: 高次元シャープ化DR(HD-SDR)は、合成データセットと実世界のデータセットの両方で試験される。 提案手法は,高品質(品質指標による測定)を達成し,大規模高次元データを用いて計算的に精度よくスケールする。 具体的な応用を説明するため,近年の天文カタログにHD-SDRを適用した。
• 参考スコア（独自算出の注目度）: 65.80631307271705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Applying dimensionality reduction (DR) to large, high-dimensional data sets can be challenging when distinguishing the underlying high-dimensional data clusters in a 2D projection for exploratory analysis. We address this problem by first sharpening the clusters in the original high-dimensional data prior to the DR step using Local Gradient Clustering (LGC). We then project the sharpened data from the high-dimensional space to 2D by a user-selected DR method. The sharpening step aids this method to preserve cluster separation in the resulting 2D projection. With our method, end-users can label each distinct cluster to further analyze an otherwise unlabeled data set. Our `High-Dimensional Sharpened DR' (HD-SDR) method, tested on both synthetic and real-world data sets, is favorable to DR methods with poor cluster separation and yields a better visual cluster separation than these DR methods with no sharpening. Our method achieves good quality (measured by quality metrics) and scales computationally well with large high-dimensional data. To illustrate its concrete applications, we further apply HD-SDR on a recent astronomical catalog.
• Abstract（参考訳）: 大規模な高次元データセットに次元還元(DR)を適用することは、探索解析のための2次元プロジェクションにおいて、基礎となる高次元データクラスタを区別する場合に困難である。 局所勾配クラスタリング (LGC) を用いて, DRステップに先立って, 元の高次元データのクラスタを高速化することで, この問題に対処する。 次に,ユーザ選択DR法により,高次元空間から2次元へのシャープ化データを投影する。 シャープニングステップは、2次元射影におけるクラスタの分離を保存するためにこの方法を支援する。 提案手法では,各クラスタにラベルを付けることで,ラベルのないデータセットをさらに分析することができる。 高次元シャープ化drm(hd-sdr)法は合成データと実世界のデータの両方でテストされ,クラスタ分離の貧弱なdrm法に好適であり,シャープ化を伴わないこれらのdrm法よりも優れた視覚的クラスタ分離を実現する。 提案手法は,高品質(品質指標による測定)を達成し,大規模高次元データを用いて計算精度よくスケールする。 具体的な応用を説明するため,近年の天文カタログにHD-SDRを適用した。

関連論文リスト

• Out-of-Core Dimensionality Reduction for Large Data via Out-of-Sample Extensions [8.368145000145594]
  次元性低減(DR)は、高次元データセットの可視化のための確立されたアプローチである。 本稿では,大規模なデータセット上でDRを実行するために,サンプル外拡張方式を提案する。 5つの共通DRアルゴリズムのプロジェクション品質の評価を行う。
  論文  参考訳（メタデータ） (2024-08-07T23:30:53Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• RGB-based Category-level Object Pose Estimation via Decoupled Metric Scale Recovery [72.13154206106259]
  本研究では、6次元のポーズとサイズ推定を分離し、不完全なスケールが剛性変換に与える影響を緩和するパイプラインを提案する。 具体的には,事前学習した単分子推定器を用いて局所的な幾何学的情報を抽出する。 別個のブランチは、カテゴリレベルの統計に基づいてオブジェクトのメートル法スケールを直接復元するように設計されている。
  論文  参考訳（メタデータ） (2023-09-19T02:20:26Z)
• Laplacian-based Cluster-Contractive t-SNE for High Dimensional Data Visualization [20.43471678277403]
  本稿では t-SNE に基づく新しいグラフベース次元削減手法 LaptSNE を提案する。 具体的には、LaptSNEはグラフラプラシアンの固有値情報を利用して、低次元埋め込みにおけるポテンシャルクラスタを縮小する。 ラプラシアン合成目的による最適化を考える際には、より広い関心を持つであろう勾配を解析的に計算する方法を示す。
  論文  参考訳（メタデータ） (2022-07-25T14:10:24Z)
• Human Motion Detection Using Sharpened Dimensionality Reduction and Clustering [1.1172382217477126]
  本研究では,高次元データの2次元投影を容易にラベル付けするためのクラスタリング手法を提案する。 我々は、SDRのパイプラインと、さまざまな合成および実世界のデータセット上でクラスタリング方法をテストする。 我々は、クラスタリングSDRの結果が、クラスタリングプレーンDRよりも優れたラベル付け結果をもたらすことを結論し、k-meansがSDRの推奨クラスタリング方法であることを示す。
  論文  参考訳（メタデータ） (2022-02-23T18:18:25Z)
• A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
  本稿では,Vec2vecという新しい局所非線形手法を提案する。 ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-10T23:10:47Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)
• Model-based Clustering using Automatic Differentiation: Confronting Misspecification and High-Dimensional Data [6.053629733936546]
  ガウス混合モデルを用いたモデルベースクラスタリングの実用上重要な2つの事例について検討する。 本研究では,EMのクラスタリング性能が,不特定な場合のグラディエントDescentと比較して向上していることを示す。 そこで本稿では,一対の部品間のKulback Leibler分散に基づく新たなペナルティ項を提案する。
  論文  参考訳（メタデータ） (2020-07-08T10:56:05Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。