論文の概要: Uniform Manifold Approximation with Two-phase Optimization
- arxiv url: http://arxiv.org/abs/2205.00420v1
- Date: Sun, 1 May 2022 08:19:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 16:10:32.732621
- Title: Uniform Manifold Approximation with Two-phase Optimization
- Title（参考訳）: 2相最適化による一様多様体近似
- Authors: Hyeon Jeon, Hyung-Kwon Ko, Soohyun Lee, Jaemin Jo, Jinwook Seo
- Abstract要約: UMAPを改善するために二相最適化 (UMATO) を用いた一様多様体近似を導入する。
UMATOは、高次元データのグローバル構造をより正確に捉えるために、UMAPを改善した次元還元(DR)技術である。
- 参考スコア（独自算出の注目度）: 13.229510087215552
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We introduce Uniform Manifold Approximation with Two-phase Optimization
(UMATO), a dimensionality reduction (DR) technique that improves UMAP to
capture the global structure of high-dimensional data more accurately. In
UMATO, optimization is divided into two phases so that the resulting embeddings
can depict the global structure reliably while preserving the local structure
with sufficient accuracy. As the first phase, hub points are identified and
projected to construct a skeletal layout for the global structure. In the
second phase, the remaining points are added to the embedding preserving the
regional characteristics of local areas. Through quantitative experiments, we
found that UMATO (1) outperformed widely used DR techniques in preserving the
global structure while (2) producing competitive accuracy in representing the
local structure. We also verified that UMATO is preferable in terms of
robustness over diverse initialization methods, number of epochs, and
subsampling techniques.
- Abstract（参考訳）: 2相最適化 (UMATO) を用いた一様多様体近似を導入し, 次元量削減 (DR) 技術により, 次元データの大域的構造をより正確に把握する。
UMATOでは、最適化を2つのフェーズに分けて、結果の埋め込みにより、局所構造を十分な精度で保存しながら、グローバル構造を確実に表現することができる。
第1フェーズとして、グローバル構造のための骨格配置を構築するためにハブ点を特定し、投影する。
第2段階では、地域特性を保存した埋め込みに残りの点を付加する。
定量的実験により,UMATO (1) はグローバル構造保存において広く用いられているDR技術より優れ,(2) 局所構造を表現する上での競争精度が向上したことがわかった。
また, 多様な初期化手法やエポック数, サブサンプリング技術よりも, 頑健性が好ましいことも確認した。
関連論文リスト
- Double-Shot 3D Shape Measurement with a Dual-Branch Network [14.749887303860717]
我々は、異なる構造光(SL)変調を処理するために、デュアルブランチ畳み込みニューラルネットワーク(CNN)-トランスフォーマーネットワーク(PDCNet)を提案する。
PDCNet内では、Transformerブランチを使用してフリンジイメージのグローバルな認識をキャプチャし、CNNブランチはスペックルイメージのローカル詳細を収集するように設計されている。
提案手法は, 自己生成データセット上で高精度な結果が得られる一方で, フランジオーダーの曖昧さを低減できることを示す。
論文 参考訳（メタデータ） (2024-07-19T10:49:26Z) - AdaSfM: From Coarse Global to Fine Incremental Adaptive Structure from
Motion [48.835456049755166]
AdaSfMは粗粒度適応型SfMアプローチであり、大規模かつ挑戦的なデータセットにスケーラブルである。
当社のアプローチはまず,低コストセンサによる計測を利用して,ビューグラフの信頼性を向上させる,粗大なグローバルSfMを実現する。
本手法では,全局所再構成をグローバルSfMの座標フレームに整合させるため,しきい値適応戦略を用いる。
論文 参考訳（メタデータ） (2023-01-28T09:06:50Z) - Machine Learning and Polymer Self-Consistent Field Theory in Two Spatial
Dimensions [0.491574468325115]
深層学習を伴う自己整合場理論シミュレーションのデータを活用する計算フレームワークを提案する。
サドル点, 局所平均モノマー密度場を効率よく正確に予測するために, GAN(Generative Adversarial Network)を導入した。
このGANアプローチは、メモリと計算コストの両方を節約する。
論文 参考訳（メタデータ） (2022-12-16T04:30:16Z) - Disentangled Federated Learning for Tackling Attributes Skew via
Invariant Aggregation and Diversity Transferring [104.19414150171472]
属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。
本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。
実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
論文 参考訳（メタデータ） (2022-06-14T13:12:12Z) - Unveiling the Potential of Structure-Preserving for Weakly Supervised
Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。
第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。
第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文 参考訳（メタデータ） (2021-03-08T03:04:14Z) - Local SGD: Unified Theory and New Efficient Methods [8.701566919381223]
本稿では,局所的なSGD手法を凸型および強凸型で解析するための統一的なフレームワークを提案する。
我々は,データ均一性や他の強い仮定を必要としない,線形収束型局所SGD法を開発した。
論文 参考訳（メタデータ） (2020-11-03T13:02:50Z) - Dual-constrained Deep Semi-Supervised Coupled Factorization Network with
Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。
隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。
我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文 参考訳（メタデータ） (2020-09-08T13:10:21Z) - 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) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。