論文の概要: SQuadMDS: a lean Stochastic Quartet MDS improving global structure
preservation in neighbor embedding like t-SNE and UMAP
- arxiv url: http://arxiv.org/abs/2202.12087v1
- Date: Thu, 24 Feb 2022 13:14:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 23:21:48.617164
- Title: SQuadMDS: a lean Stochastic Quartet MDS improving global structure
preservation in neighbor embedding like t-SNE and UMAP
- Title(参考訳): SQuadMDS: t-SNE や UMAP などの隣接する埋め込みにおけるグローバルな構造保存を改善するリーン確率四重項MDS
- Authors: Pierre Lambert, Cyril de Bodt, Michel Verleysen, John Lee
- Abstract要約: この研究は、N個のデータポイントを持つO(N)の時間と空間の複雑さを伴う多次元スケーリングへの強制的アプローチを導入する。
この方法は、t-SNEのような近隣の埋め込みのファミリーの強制的レイアウトと組み合わせて、データのグローバル構造とローカル構造の両方を保存する埋め込みを生成することができる。
- 参考スコア(独自算出の注目度): 3.7731754155538164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multidimensional scaling is a statistical process that aims to embed high
dimensional data into a lower-dimensional space; this process is often used for
the purpose of data visualisation. Common multidimensional scaling algorithms
tend to have high computational complexities, making them inapplicable on large
data sets. This work introduces a stochastic, force directed approach to
multidimensional scaling with a time and space complexity of O(N), with N data
points. The method can be combined with force directed layouts of the family of
neighbour embedding such as t-SNE, to produce embeddings that preserve both the
global and the local structures of the data. Experiments assess the quality of
the embeddings produced by the standalone version and its hybrid extension both
quantitatively and qualitatively, showing competitive results outperforming
state-of-the-art approaches. Codes are available at
https://github.com/PierreLambert3/SQuaD-MDS-and-FItSNE-hybrid.
- Abstract(参考訳): 多次元スケーリング(multidimensional scaling)は、高次元データを低次元空間に組み込むことを目的とした統計処理である。
一般的な多次元スケーリングアルゴリズムは計算複雑性が高く、大規模なデータセットでは適用できない。
この研究は、O(N) の時間と空間の複雑さと N 個のデータポイントを持つ多次元スケーリングに対する確率的で力によるアプローチを導入する。
この方法は、t-SNEのような近隣の埋め込みファミリーの強制的レイアウトと組み合わせて、データのグローバル構造とローカル構造の両方を保存する埋め込みを生成することができる。
実験では、スタンドアロンバージョンとそのハイブリッド拡張の質を定量的かつ質的に評価し、最先端のアプローチよりも優れた競争結果を示す。
コードはhttps://github.com/PierreLambert3/SQuaD-MDS-and-FItSNE-hybridで公開されている。
関連論文リスト
- Scalable manifold learning by uniform landmark sampling and constrained
locally linear embedding [0.6144680854063939]
本研究では,大規模・高次元データを効率的に操作できるスケーラブルな多様体学習法を提案する。
異なるタイプの合成データセットと実世界のベンチマークにおけるSCMLの有効性を実証的に検証した。
scMLはデータサイズや埋め込み次元の増大とともにスケールし、グローバル構造を保存する上で有望なパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-01-02T08:43:06Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳(メタデータ) (2023-10-17T01:05:28Z) - SIGMA: Scale-Invariant Global Sparse Shape Matching [49.85532688927782]
非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。
いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
論文 参考訳(メタデータ) (2023-08-16T14:25:30Z) - 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) - Deep Recursive Embedding for High-Dimensional Data [9.611123249318126]
本稿では,DNN(Deep Neural Network)と高次元データ埋め込みのための数学誘導埋め込みルールを組み合わせることを提案する。
本稿では,高次元空間から低次元空間へのパラメトリックマッピングを学習可能な汎用ディープ埋め込みネットワーク(DEN)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-31T23:22:33Z) - Index $t$-SNE: Tracking Dynamics of High-Dimensional Datasets with
Coherent Embeddings [1.7188280334580195]
本稿では,クラスタの位置を保存した新しいものを作成するために,埋め込みを再利用する手法を提案する。
提案アルゴリズムは,新しい項目を埋め込むために$t$-SNEと同じ複雑さを持つ。
論文 参考訳(メタデータ) (2021-09-22T06:45:37Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳(メタデータ) (2021-04-24T08:09:27Z) - Deep Recursive Embedding for High-Dimensional Data [10.499461691493526]
深層ニューラルネットワーク(DNN)と,高次元データ埋め込みのための数学的基盤埋め込み規則を組み合わせることを提案する。
本実験は,高次元データ埋め込みにおけるDRE(Deep Recursive Embedding)の優れた性能を示すものである。
論文 参考訳(メタデータ) (2021-04-12T03:04:38Z) - 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) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳(メタデータ) (2020-06-15T09:15:54Z) - 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。