論文の概要: Feature Learning for Dimensionality Reduction toward Maximal Extraction
of Hidden Patterns
- arxiv url: http://arxiv.org/abs/2206.13891v1
- Date: Tue, 28 Jun 2022 11:18:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-29 12:30:43.464659
- Title: Feature Learning for Dimensionality Reduction toward Maximal Extraction
of Hidden Patterns
- Title(参考訳): 隠れパターンの最大抽出に向けた次元化のための特徴学習
- Authors: Takanori Fujiwara, Yun-Hsin Kuo, Anders Ynnerman, Kwan-Liu Ma
- Abstract要約: 高次元データの視覚解析において,DRは重要な役割を担っている。
本稿では,非線形DRに最適化されたデータ投影セットを生成するための特徴学習フレームワークFEALMを提案する。
得られたDR結果の比較と各DR結果の解釈を支援するインタラクティブな可視化手法を開発した。
- 参考スコア(独自算出の注目度): 25.558967594684056
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dimensionality reduction (DR) plays a vital role in the visual analysis of
high-dimensional data. One main aim of DR is to reveal hidden patterns that lie
on intrinsic low-dimensional manifolds. However, DR often overlooks important
patterns when the manifolds are strongly distorted or hidden by certain
influential data attributes. This paper presents a feature learning framework,
FEALM, designed to generate an optimized set of data projections for nonlinear
DR in order to capture important patterns in the hidden manifolds. These
projections produce maximally different nearest-neighbor graphs so that
resultant DR outcomes are significantly different. To achieve such a
capability, we design an optimization algorithm as well as introduce a new
graph dissimilarity measure, called neighbor-shape dissimilarity. Additionally,
we develop interactive visualizations to assist comparison of obtained DR
results and interpretation of each DR result. We demonstrate FEALM's
effectiveness through experiments using synthetic datasets and multiple case
studies on real-world datasets.
- Abstract(参考訳): 次元還元(dr)は高次元データの視覚的解析において重要な役割を果たす。
DRの主な目的の一つは、固有の低次元多様体上に隠れたパターンを明らかにすることである。
しかし、DRは多様体が強い歪んだり、特定の影響のあるデータ属性によって隠されたりするときにしばしば重要なパターンを見落としている。
本稿では,隠れ多様体の重要なパターンを捉えるために,非線形drに対して最適化されたデータプロジェクションを生成することを目的とした,機能学習フレームワークであるfealmを提案する。
これらの射影は、最大の近傍グラフを生成するので、結果のDR結果は著しく異なる。
このような機能を実現するため,最適化アルゴリズムをデザインするとともに,隣接形状異同性と呼ばれる新しいグラフ異同性尺度を導入する。
さらに、得られたDR結果の比較と各DR結果の解釈を支援するインタラクティブな可視化を開発する。
我々は、合成データセットを用いた実験と実世界のデータセットに関する複数のケーススタディにより、FEALMの有効性を実証する。
関連論文リスト
- DimVis: Interpreting Visual Clusters in Dimensionality Reduction With
Explainable Boosting Machine [3.5775697416994485]
DimVisは、DRプロジェクションの解釈アシスタントとして、教師付きExplainable Boosting Machine(EBM)モデルを使用するツールである。
本ツールは,視覚的クラスタにおける特徴関連性の解釈を提供することにより,高次元データ解析を容易にする。
論文 参考訳(メタデータ) (2024-02-10T04:50:36Z) - A Discriminative Bayesian Gaussian Process Latent Variable Model for
High-Dimensional Data [0.0]
ガウス過程(GP)を利用して高次元データを特徴付ける新しい非パラメトリックモデリング手法を提案する。
このモデルはLDGD(Latent Discrimi Generative Decoder)と呼ばれ、多様体発見プロセスにおいてデータ(またはその特徴)と関連するラベル(カテゴリや刺激など)の両方を利用する。
LDGDはその多様体を正確に推定するだけでなく、予測ラベルの予測精度は最先端のアプローチを上回る。
論文 参考訳(メタデータ) (2024-01-29T19:11:03Z) - Semantic-Preserving Feature Partitioning for Multi-View Ensemble
Learning [11.415864885658435]
本稿では,情報理論に基づく新しい手法であるセマンティック・保存特徴分割(SPFP)アルゴリズムを紹介する。
SPFPアルゴリズムは、データセットを複数のセマンティックな一貫したビューに効果的に分割し、マルチビューアンサンブル学習プロセスを強化する。
モデル精度を維持しつつ、高い一般化性能が達成可能なシナリオにおける不確実性対策を大幅に改善する。
論文 参考訳(メタデータ) (2024-01-11T20:44:45Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳(メタデータ) (2023-08-20T12:43:52Z) - Dimensionality Reduction as Probabilistic Inference [10.714603218784175]
次元性低減(DR)アルゴリズムは、高次元データを低次元表現に圧縮し、データの重要な特徴を保存する。
本稿では,多種多様な古典DRアルゴリズムを確率的推論アルゴリズムとして解釈するProbDR変分フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-15T23:48:59Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Hard-label Manifolds: Unexpected Advantages of Query Efficiency for
Finding On-manifold Adversarial Examples [67.23103682776049]
画像分類モデルに対する最近のゼロオーダーのハードラベル攻撃は、ファーストオーダーのグラデーションレベルの代替品に匹敵する性能を示している。
最近、グラデーションレベルの設定では、通常の敵対的な例がデータ多様体から離れ、オンマニホールドの例が実際には一般化エラーであることが示されている。
雑音の多い多様体距離オラクルに基づく情報理論論的議論を提案し、敵の勾配推定を通じて多様体情報を漏洩させる。
論文 参考訳(メタデータ) (2021-03-04T20:53:06Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳(メタデータ) (2020-07-30T18:23:18Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-22T14:49:33Z) - Longitudinal Variational Autoencoder [1.4680035572775534]
不足値を含む高次元データを解析するための一般的なアプローチは、変分オートエンコーダ(VAE)を用いた低次元表現を学習することである。
標準的なVAEは、学習した表現はi.d.であり、データサンプル間の相関を捉えることができないと仮定する。
本稿では,多出力加法的ガウス過程(GP)を用いて,構造化された低次元表現を学習するVAEの能力を拡張した縦型VAE(L-VAE)を提案する。
我々の手法は時間変化の共有効果とランダム効果の両方に同時に対応でき、構造化された低次元表現を生成する。
論文 参考訳(メタデータ) (2020-06-17T10:30:14Z) - Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。
そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。
画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文 参考訳(メタデータ) (2020-02-18T17:58:07Z)
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。