論文の概要: Dimension Reduction with Prior Information for Knowledge Discovery
- arxiv url: http://arxiv.org/abs/2111.13646v4
- Date: Fri, 29 Dec 2023 14:03:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 03:32:21.116122
- Title: Dimension Reduction with Prior Information for Knowledge Discovery
- Title（参考訳）: 知識発見のための事前情報を用いた次元削減
- Authors: Anh Tuan Bui
- Abstract要約: 本稿では,条件付き多次元スケーリング(MDS)と呼ばれる手法のクラスを提案する。
また,条件付きMDSの目的関数を最適化するアルゴリズムを開発した。
条件付きMDSは、親族関係用語、表情、織物、カーブランド認識、シリンダー加工の例で説明される。
- 参考スコア（独自算出の注目度）: 3.768464152174593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the problem of mapping high-dimensional data to a
low-dimensional space, in the presence of other known features. This problem is
ubiquitous in science and engineering as there are often
controllable/measurable features in most applications. To solve this problem,
this paper proposes a broad class of methods, which is referred to as
conditional multidimensional scaling (MDS). An algorithm for optimizing the
objective function of conditional MDS is also developed. The convergence of
this algorithm is proven under mild assumptions. Conditional MDS is illustrated
with kinship terms, facial expressions, textile fabrics, car-brand perception,
and cylinder machining examples. These examples demonstrate the advantages of
conditional MDS over conventional dimension reduction in improving the
estimation quality of the reduced-dimension space and simplifying visualization
and knowledge discovery tasks. Computer codes for this work are available in
the open-source cml R package.
- Abstract（参考訳）: 本稿では,高次元データを低次元空間にマッピングする問題を,他の既知の特徴の存在下で解決する。
この問題は、ほとんどのアプリケーションによく制御可能/測定可能な機能があるため、科学や工学においてユビキタスである。
この問題を解決するため,本稿では,条件付き多次元スケーリング (conditional multidimensional scaling, mds) と呼ばれる幅広い手法を提案する。
また,条件付きMDSの目的関数を最適化するアルゴリズムを開発した。
このアルゴリズムの収束は穏やかな仮定の下で証明される。
条件付きMDSは、親族関係用語、表情、織物、カーブランド認識、シリンダー加工の例で説明される。
これらの例は, 従来の次元減少に対する条件付きMDSの利点を示し, 次元削減空間の推定品質を改善し, 可視化と知識発見タスクを簡素化した。
この作業用のコンピュータコードは、オープンソースcml Rパッケージで利用可能である。
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。
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。