論文の概要: Delaunay Component Analysis for Evaluation of Data Representations
- arxiv url: http://arxiv.org/abs/2202.06866v1
- Date: Mon, 14 Feb 2022 16:48:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 15:30:53.484222
- Title: Delaunay Component Analysis for Evaluation of Data Representations
- Title（参考訳）: データ表現評価のためのデラウネー成分分析
- Authors: Petra Poklukar, Vladislav Polianskii, Anastasia Varava, Florian
Pokorny, Danica Kragic
- Abstract要約: Delaunay Component Analysis (DCA) - Delaunay graphと呼ばれるより適切な近傍グラフを用いてデータ多様体を近似する評価アルゴリズムを提案する。
比較対象モデル,教師付きモデル,生成モデルを用いて学習したニューラルネットワークから得られた表現について,提案手法を実験的に検証した。
- 参考スコア（独自算出の注目度）: 20.31649764319578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advanced representation learning techniques require reliable and general
evaluation methods. Recently, several algorithms based on the common idea of
geometric and topological analysis of a manifold approximated from the learned
data representations have been proposed. In this work, we introduce Delaunay
Component Analysis (DCA) - an evaluation algorithm which approximates the data
manifold using a more suitable neighbourhood graph called Delaunay graph. This
provides a reliable manifold estimation even for challenging geometric
arrangements of representations such as clusters with varying shape and density
as well as outliers, which is where existing methods often fail. Furthermore,
we exploit the nature of Delaunay graphs and introduce a framework for
assessing the quality of individual novel data representations. We
experimentally validate the proposed DCA method on representations obtained
from neural networks trained with contrastive objective, supervised and
generative models, and demonstrate various use cases of our extended single
point evaluation framework.
- Abstract（参考訳）: 高度な表現学習技術は信頼性と一般的な評価方法を必要とする。
近年,学習データ表現から近似した多様体の幾何学的および位相的解析の共通概念に基づくアルゴリズムが提案されている。
本稿では,Dlaunay Component Analysis (DCA) について紹介する。Dlaunay graph と呼ばれるより適切な近傍グラフを用いてデータ多様体を近似する評価アルゴリズムである。
これにより、形状や密度の異なるクラスタのような幾何学的配置や、既存の方法がしばしば失敗する異常値に対しても、信頼性の高い多様体推定が可能になる。
さらに,Delaunayグラフの性質を活用し,個々の新しいデータ表現の品質を評価するためのフレームワークを導入する。
提案手法は, 比較対象, 教師付き, 生成モデルを用いて学習したニューラルネットワークから得られる表現について実験的に検証し, 拡張単一点評価フレームワークの様々な応用例を示す。
関連論文リスト
- On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
複数モーダルな)自己教師付き表現学習のための連続領域における識別確率モデル問題について検討する。
我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。
論文 参考訳（メタデータ） (2024-10-11T18:02:46Z) - (Deep) Generative Geodesics [57.635187092922976]
2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。
我々の計量は、生成距離と生成測地学の概念的定義に繋がる。
彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
論文 参考訳（メタデータ） (2024-07-15T21:14:02Z) - COBRA -- COnfidence score Based on shape Regression Analysis for method-independent quality assessment of object pose estimation from single images [1.6249398255272316]
本稿では,単一画像意味解析に依存するポーズ推定手法の一般的なアルゴリズムを提案する。
このアルゴリズムは、複数のガウス過程を組み合わせた軽量な配置形状表現を用いる。
我々の信頼度尺度は、形状テンプレートへの画素バックプロジェクションの平均混合確率からなる。
論文 参考訳（メタデータ） (2024-04-25T09:55:35Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - A Spectral Method for Assessing and Combining Multiple Data
Visualizations [13.193958370464683]
与えられたデータセットの複数のビジュアライゼーションを評価し,組み合わせるための効率的なスペクトル法を提案する。
提案手法は,各データ点の周辺構造を保存するための可視化の相対的な性能について,定量的な測定値,可視化固有スコア(en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en: en:en:en:en:en:en:en:en:en:en
我々は,複数のシミュレーションおよび実世界のデータセットを分析し,可視化評価のための固有スコアの有効性と,提案したコンセンサス・ビジュアライゼーションの優位性を示す。
論文 参考訳（メタデータ） (2022-10-25T02:13:19Z) - Probabilistic methods for approximate archetypal analysis [8.829245587252435]
Archetypal analysisは、探索データ分析のための教師なし学習手法である。
データの次元と表現の基数を低減するために,2つの前処理手法を導入する。
提案手法を応用して, 適度に大規模なデータセットを要約することで, 結果の有用性を実証する。
論文 参考訳（メタデータ） (2021-08-12T14:27:11Z) - GeomCA: Geometric Evaluation of Data Representations [21.83249229426828]
幾何学的および位相的特性に基づいて表現空間を評価する幾何学的成分分析(GeomCA)アルゴリズムを提案する。
コントラスト学習モデルや生成モデル,教師付き学習モデルなど,さまざまなシナリオから得られた表現を分析して,その適用性を示す。
論文 参考訳（メタデータ） (2021-05-26T11:41:40Z) - Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。
提案手法は, 十分次元還元法の非パラメトリック一般化である。
推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
論文 参考訳（メタデータ） (2020-06-10T14:47:43Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳（メタデータ） (2020-06-05T20:54:11Z) - CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。
複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。
探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
論文 参考訳（メタデータ） (2020-01-08T17:37:01Z)
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。