論文の概要: A graph representation based on fluid diffusion model for multimodal
data analysis: theoretical aspects and enhanced community detection
- arxiv url: http://arxiv.org/abs/2112.04388v1
- Date: Tue, 7 Dec 2021 16:30:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-09 16:47:29.166677
- Title: A graph representation based on fluid diffusion model for multimodal
data analysis: theoretical aspects and enhanced community detection
- Title（参考訳）: 多モードデータ解析のための流体拡散モデルに基づくグラフ表現:理論的側面とコミュニティ検出の強化
- Authors: Andrea Marinoni and Christian Jutten and Mark Girolami
- Abstract要約: 流体拡散に基づくグラフ定義の新しいモデルを提案する。
本手法は,マルチモーダルデータ解析において,コミュニティ検出のための最先端の手法よりも優れている。
- 参考スコア（独自算出の注目度）: 14.601444144225875
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Representing data by means of graph structures identifies one of the most
valid approach to extract information in several data analysis applications.
This is especially true when multimodal datasets are investigated, as records
collected by means of diverse sensing strategies are taken into account and
explored. Nevertheless, classic graph signal processing is based on a model for
information propagation that is configured according to heat diffusion
mechanism. This system provides several constraints and assumptions on the data
properties that might be not valid for multimodal data analysis, especially
when large scale datasets collected from heterogeneous sources are considered,
so that the accuracy and robustness of the outcomes might be severely
jeopardized. In this paper, we introduce a novel model for graph definition
based on fluid diffusion. The proposed approach improves the ability of
graph-based data analysis to take into account several issues of modern data
analysis in operational scenarios, so to provide a platform for precise,
versatile, and efficient understanding of the phenomena underlying the records
under exam, and to fully exploit the potential provided by the diversity of the
records in obtaining a thorough characterization of the data and their
significance. In this work, we focus our attention to using this fluid
diffusion model to drive a community detection scheme, i.e., to divide
multimodal datasets into many groups according to similarity among nodes in an
unsupervised fashion. Experimental results achieved by testing real multimodal
datasets in diverse application scenarios show that our method is able to
strongly outperform state-of-the-art schemes for community detection in
multimodal data analysis.
- Abstract（参考訳）: グラフ構造によるデータ表現は、複数のデータ分析アプリケーションで情報を抽出するための最も有効な方法の1つである。
多様なセンシング戦略によって収集された記録を考慮し、探索することにより、マルチモーダルデータセットを調査する場合に特に当てはまる。
それにもかかわらず、古典的なグラフ信号処理は、熱拡散機構に応じて構成される情報伝達のモデルに基づいている。
このシステムは、特に異種ソースから収集された大規模データセットを考慮すれば、マルチモーダルデータ解析には有効ではないデータプロパティに関するいくつかの制約と仮定を提供するため、結果の正確性と堅牢性が著しく危ぶまれる可能性がある。
本稿では,流体拡散に基づくグラフ定義の新しいモデルを提案する。
提案手法は, 運用シナリオにおける最新のデータ解析の課題を考慮に入れるグラフデータ解析の能力を向上し, 試験中の記録の基礎となる現象の正確, 汎用, 効率的な理解のためのプラットフォームを提供し, データの徹底的なキャラクタリゼーションとその意義を得る上で, 記録の多様性が与える可能性を完全に活用する。
本研究では,この流体拡散モデルを用いて,マルチモーダルデータセットをノード間の類似性に応じて多数のグループに分割するコミュニティ検出手法を,教師なし方式で推進することに着目した。
実マルチモーダルデータセットを様々なアプリケーションシナリオでテストすることで得られた実験結果は、マルチモーダルデータ解析におけるコミュニティ検出のための最先端のスキームを強力に上回ることができることを示している。
関連論文リスト
- Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。
DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
論文 参考訳（メタデータ） (2024-03-11T14:07:53Z) - Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。
ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。
これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
論文 参考訳（メタデータ） (2023-11-28T16:46:14Z) - SGED: A Benchmark dataset for Performance Evaluation of Spiking Gesture
Emotion Recognition [12.396844568607522]
我々は、既存のデータセットの分析に基づいて、新しい同質なマルチモーダルジェスチャー感情認識データセットをラベル付けする。
本稿では,このデータセットに基づく擬似二重フローネットワークを提案し,このデータセットの適用可能性を検証する。
論文 参考訳（メタデータ） (2023-04-28T09:32:09Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - MoReL: Multi-omics Relational Learning [26.484803417186384]
ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。
このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
論文 参考訳（メタデータ） (2022-03-15T02:50:07Z) - Geometric Multimodal Deep Learning with Multi-Scaled Graph Wavelet
Convolutional Network [21.06669693699965]
マルチモーダルデータは、非常に異なる統計特性を持つ様々な領域のデータを統合することで、自然現象に関する情報を提供する。
マルチモーダルデータのモダリティ内およびモダリティ間情報の取得は,マルチモーダル学習法の基本的能力である。
非ユークリッド領域にディープラーニング手法を一般化することは、新たな研究分野である。
論文 参考訳（メタデータ） (2021-11-26T08:41:51Z) - Multimodal Data Fusion in High-Dimensional Heterogeneous Datasets via
Generative Models [16.436293069942312]
我々は、教師なしの方法で高次元異種データから確率的生成モデルを学習することに興味がある。
本稿では,指数関数的な分布系を通じて異なるデータ型を結合する一般的なフレームワークを提案する。
提案アルゴリズムは、実数値(ガウス)とカテゴリー(マルチノミカル)の特徴を持つ、よく遭遇する異種データセットについて詳細に述べる。
論文 参考訳（メタデータ） (2021-08-27T18:10:31Z) - Enhancing ensemble learning and transfer learning in multimodal data
analysis by adaptive dimensionality reduction [10.646114896709717]
マルチモーダルデータ分析では、すべての観測が同じレベルの信頼性や情報品質を示すわけではない。
この問題を克服するために,次元削減のための適応的アプローチを提案する。
多様な研究分野で得られたマルチモーダルデータセットのアプローチをテストします。
論文 参考訳（メタデータ） (2021-05-08T11:53:12Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。