論文の概要: The Kernelized Taylor Diagram

• arxiv url: http://arxiv.org/abs/2205.08864v1
• Date: Wed, 18 May 2022 11:16:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 12:46:13.395125
• Title: The Kernelized Taylor Diagram
• Title（参考訳）: カーネル化されたテイラー図
• Authors: Kristoffer Wickstr{\o}m and J. Emmanuel Johnson and Sigurd L{\o}kse and Gustau Camps-Valls and Karl {\O}yvind Mikalsen and Michael Kampffmeyer and Robert Jenssen
• Abstract要約: カーネル化されたテイラーダイアグラムは広く使われているテイラーダイアグラムの上に構築される。 テイラー図には、非線形関係を捉えないことや、外れ値に対する感受性など、いくつかの制限がある。
• 参考スコア（独自算出の注目度）: 23.595358680597084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the kernelized Taylor diagram, a graphical framework for visualizing similarities between data populations. The kernelized Taylor diagram builds on the widely used Taylor diagram, which is used to visualize similarities between populations. However, the Taylor diagram has several limitations such as not capturing non-linear relationships and sensitivity to outliers. To address such limitations, we propose the kernelized Taylor diagram. Our proposed kernelized Taylor diagram is capable of visualizing similarities between populations with minimal assumptions of the data distributions. The kernelized Taylor diagram relates the maximum mean discrepancy and the kernel mean embedding in a single diagram, a construction that, to the best of our knowledge, have not been devised prior to this work. We believe that the kernelized Taylor diagram can be a valuable tool in data visualization.
• Abstract（参考訳）: 本稿では,データ集団間の類似性を可視化するグラフィカルフレームワークであるカーネル化Taylor図を提案する。 カーネル化されたテイラー図は、人口間の類似性を視覚化するために広く使われているテイラー図に基づいている。 しかし、テイラー図には非線形関係を捉えない、外れ値に対する感度などいくつかの制限がある。 このような制限に対処するために,カーネル化されたtaylorダイアグラムを提案する。 提案したカーネル化されたTaylor図は、データ分布の最小仮定で、集団間の類似性を可視化することができる。 カーネル化されたテイラー図は、最大平均誤差と、カーネルの平均誤差を単一の図形に埋め込んだもの、つまり、私たちの知る限りでは、この研究以前には考案されていなかった構造に関係している。 カーネル化されたtaylorダイアグラムは、データの可視化に有用なツールであると考えています。

関連論文リスト

• Two Trades is not Baffled: Condensing Graph via Crafting Rational Gradient Matching [50.30124426442228]
  大規模グラフの学習はグラフ表現学習において顕著な成果を上げてきたが、そのコストと記憶力の増大が懸念されている。 そこで我々は,textbfCraftextbfTing textbfRationatextbf (textbfCTRL) という新しいグラフ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-07T14:49:10Z)
• Quantifying analogy of concepts via ologs and wiring diagrams [0.0]
  SpivakとKentによって作成されたログ(ログ)の理論に基づいて構築し、配線図の概念を定義します。 本稿では、配線図は有限有界ラベル付きグラフである。 ラベルは、ologの型に対応しており、自律システムにおけるセンサーの読み取りと解釈することもできる。
  論文  参考訳（メタデータ） (2024-02-01T21:15:55Z)
• Generalized Graphon Process: Convergence of Graph Frequencies in Stretched Cut Distance [30.279435887366578]
  スパースグラフ列は、従来のカット距離の定義の下で自明なグラフオンに収束する。 我々は、スパースグラフ列の収束を記述するために、一般化グラフと拡張カット距離の概念を利用する。 その結果,スパースグラフ間の移動学習の可能性が示唆された。
  論文  参考訳（メタデータ） (2023-09-11T06:34:46Z)
• Transductive Kernels for Gaussian Processes on Graphs [7.542220697870243]
  半教師付き学習のためのノード特徴データ付きグラフ用の新しいカーネルを提案する。 カーネルは、グラフと特徴データを2つの空間として扱うことにより、正規化フレームワークから派生する。 グラフ上のカーネルベースのモデルがどれだけの頻度で設計されているかを示す。
  論文  参考訳（メタデータ） (2022-11-28T14:00:50Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
  グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。 このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
  論文  参考訳（メタデータ） (2020-06-23T21:10:55Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。