Fugu-MT 論文翻訳(概要): Conditional Manifold Learning

論文の概要: Conditional Manifold Learning

arxiv url: http://arxiv.org/abs/2111.13646v1
Date: Fri, 26 Nov 2021 18:19:25 GMT
ステータス: 処理完了
システム内更新日: 2021-11-29 15:22:13.776396
Title: Conditional Manifold Learning
Title（参考訳）: 条件付きマニフォールド学習
Authors: Anh Tuan Bui
Abstract要約: 本稿では,「条件多様体学習」という問題に対処する。補助多様体情報に基づいて高次元データを埋め込んだ低次元多様体を学習することを目的としている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses a problem called "conditional manifold learning", which aims to learn a low-dimensional manifold embedding of high-dimensional data, conditioning on auxiliary manifold information. This auxiliary manifold information is from controllable or measurable conditions, which are ubiquitous in many science and engineering applications. A broad class of solutions for this problem, conditional multidimensional scaling (including a conditional ISOMAP variant), is proposed. A conditional version of the SMACOF algorithm is introduced to optimize the objective function of conditional multidimensional scaling.
Abstract（参考訳）: 本稿では,高次元データを埋め込んだ低次元多様体の学習を目的とした「条件付き多様体学習」という問題に対処する。この補助多様体情報は、多くの科学や工学の応用においてユビキタスである制御可能あるいは測定可能な条件から得られる。この問題に対する幅広い解のクラスである条件付き多次元スケーリング(条件付きISOMAP変種を含む)を提案する。 SMACOFアルゴリズムの条件付きバージョンを導入し、条件付き多次元スケーリングの目的関数を最適化する。

関連論文リスト

On Probabilistic Embeddings in Optimal Dimension Reduction [1.2085509610251701]
次元減少アルゴリズムは多くのデータサイエンスパイプラインの重要な部分である。広く利用されているにもかかわらず、多くの非線形次元還元アルゴリズムは理論的観点からは理解されていない。
論文参考訳（メタデータ） (2024-08-05T12:46:21Z)
MAD-ICP: It Is All About Matching Data -- Robust and Informed LiDAR Odometry [2.0508169116681594]
LiDARオドメトリー(LiDAR odometry)は、連続レーザースキャンからセンサーのエゴモーションを推定するタスクである。これらのシステムのほとんどは、運用環境、使用するセンサー、動作パターンに関する仮定に暗黙的に依存している。本稿では,これらの制限を克服し,異なる動作条件下でうまく動作可能なLiDARオドメトリーシステムを提案する。
論文参考訳（メタデータ） (2024-05-09T15:02:26Z)
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)
An evaluation framework for dimensionality reduction through sectional curvature [59.40521061783166]
本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
論文参考訳（メタデータ） (2023-03-17T11:59:33Z)
DimenFix: A novel meta-dimensionality reduction method for feature preservation [64.0476282000118]
そこで我々は, グラデーション・ディフレッシブなプロセスを含む任意の基本次元還元法で操作できる新しいメタメソド, DimenFixを提案する。 DimenFixは、ディメンタリティの削減と見なされるさまざまな機能の重要性をユーザが定義できるようにすることで、与えられたデータセットを視覚化し、理解する新たな可能性を生み出します。
論文参考訳（メタデータ） (2022-11-30T05:35:22Z)
"Why Here and Not There?" -- Diverse Contrasting Explanations of Dimensionality Reduction [75.97774982432976]
本稿では,次元削減のためのコントラスト説明の概念を紹介する。本稿では,この概念を二次元データ可視化の具体的応用に適用する。
論文参考訳（メタデータ） (2022-06-15T08:54:39Z)
Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
距離ベース次元削減手法に周辺情報を組み込む手法を提案する。画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
論文参考訳（メタデータ） (2022-02-18T13:17:43Z)
A survey of unsupervised learning methods for high-dimensional uncertainty quantification in black-box-type problems [0.0]
複素偏微分方程式(PPDE)上の量子化不確実性(UQ)のための代理モデルを構築する。次元性の呪いは、適切な教師なし学習技術で使用される事前次元の部分空間である。我々は,m-PCEモデルの利点と限界を実証し,m-PCEモデルが深部部分空間に対するコスト効率の良いアプローチを提供すると結論付けた。
論文参考訳（メタデータ） (2022-02-09T16:33:40Z)
A unifying framework for $n$-dimensional quasi-conformal mappings [2.064612766965483]
我々は、$n$次元の準等角写像を計算するための統一的なフレームワークを開発する。具体的には、準等角歪み、体積歪み、ランドマーク対応、強度ミスマッチ、ボリューム先行情報を統合する変分モデルを提案する。
論文参考訳（メタデータ） (2021-10-20T09:04:41Z)
Multidimensional Scaling: Approximation and Complexity [13.238259763199162]
距離多次元スケーリング(MDS)は、高次元データの意味のある(非線形でない)低次元埋め込みを生成するための古典的な方法である。釜田カワイ型グラフ描画法がMDSと等価であることを証明し,その有効性を検証可能な近似アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-09-23T17:14:25Z)
Discovering Representations for Black-box Optimization [73.59962178534361]
ブラックボックス最適化符号化は手作業で行うのではなく,自動的に学習可能であることを示す。学習された表現は、標準的なMAP-Elitesよりも桁違いに少ない評価で高次元の問題を解くことができることを示す。
論文参考訳（メタデータ） (2020-03-09T20:06:20Z)

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。