Fugu-MT 論文翻訳(概要): Unsupervised Manifold Alignment with Joint Multidimensional Scaling

論文の概要: Unsupervised Manifold Alignment with Joint Multidimensional Scaling

arxiv url: http://arxiv.org/abs/2207.02968v1
Date: Wed, 6 Jul 2022 21:02:42 GMT
ステータス: 処理完了
システム内更新日: 2022-07-08 12:47:42.124966
Title: Unsupervised Manifold Alignment with Joint Multidimensional Scaling
Title（参考訳）: ジョイント多次元スケーリングによる教師なし多様体アライメント
Authors: Dexiong Chen, Bowen Fan, Carlos Oliver, Karsten Borgwardt
Abstract要約: 2つの異なる領域からのデータセットを共通の低次元ユークリッド空間にマッピングする関節多次元スケーリングを導入する。本稿では,多次元スケーリング(MDS)とワッサーシュタイン・プロクリスト解析を共同最適化問題に統合する。提案手法の有効性を,2つのデータセットの同時可視化,教師なし不均一領域適応,グラフマッチング,タンパク質構造アライメントなど,いくつかのアプリケーションで実証した。
参考スコア（独自算出の注目度）: 4.683612295430957
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce Joint Multidimensional Scaling, a novel approach for unsupervised manifold alignment, which maps datasets from two different domains, without any known correspondences between data instances across the datasets, to a common low-dimensional Euclidean space. Our approach integrates Multidimensional Scaling (MDS) and Wasserstein Procrustes analysis into a joint optimization problem to simultaneously generate isometric embeddings of data and learn correspondences between instances from two different datasets, while only requiring intra-dataset pairwise dissimilarities as input. This unique characteristic makes our approach applicable to datasets without access to the input features, such as solving the inexact graph matching problem. We propose an alternating optimization scheme to solve the problem that can fully benefit from the optimization techniques for MDS and Wasserstein Procrustes. We demonstrate the effectiveness of our approach in several applications, including joint visualization of two datasets, unsupervised heterogeneous domain adaptation, graph matching, and protein structure alignment.
Abstract（参考訳）: これは、データセット全体にわたるデータインスタンス間の既知の対応を伴わずに、2つの異なるドメインからのデータセットを共通の低次元ユークリッド空間にマッピングする、教師なし多様体アライメントの新しいアプローチである。提案手法では,多次元スケーリング(MDS)とワッサースタイン・プロクリスト解析を共同最適化問題に統合し,データの等尺的な埋め込みを同時に生成し,2つの異なるデータセットからインスタンス間の対応を学習する。このユニークな特徴は,不正確なグラフマッチング問題を解くなど,入力機能にアクセスせずにデータセットに適用することができる。本稿では,MDS と Wasserstein Procrustes の最適化手法の利点をフルに活用できる最適化手法を提案する。提案手法の有効性を,2つのデータセットの同時可視化,教師なし不均一領域適応,グラフマッチング,タンパク質構造アライメントなどに適用した。

関連論文リスト

Fast and Scalable Semi-Supervised Learning for Multi-View Subspace Clustering [13.638434337947302]
FSSMSCは、既存のアプローチで一般的に見られる高い計算複雑性に対する新しいソリューションである。この手法は、各データポイントを選択されたランドマークの疎線型結合として表現し、すべてのビューにまたがるコンセンサスアンカーグラフを生成する。 FSSMSCの有効性と効率は、様々なスケールの複数のベンチマークデータセットに対する広範な実験を通して検証される。
論文参考訳（メタデータ） (2024-08-11T06:54:00Z)
Entropic Optimal Transport Eigenmaps for Nonlinear Alignment and Joint Embedding of High-Dimensional Datasets [11.105392318582677]
本稿では,理論的保証付きデータセットの整列と共同埋め込みの原理的アプローチを提案する。提案手法は,2つのデータセット間のEOT計画行列の先頭特異ベクトルを利用して,それらの共通基盤構造を抽出する。 EOT計画では,高次元状態において,潜伏変数の位置で評価されたカーネル関数を近似することにより,共有多様体構造を復元する。
論文参考訳（メタデータ） (2024-07-01T18:48:55Z)
AlignMiF: Geometry-Aligned Multimodal Implicit Field for LiDAR-Camera Joint Synthesis [98.3959800235485]
近年,複数のモダリティを単一のフィールド内で探索する手法がいくつか存在しており,異なるモダリティから暗黙的な特徴を共有して再現性能を向上させることを目的としている。本研究では,LiDAR-カメラ共同合成の多モード暗黙的場に関する包括的解析を行い,その根底にある問題はセンサの誤配にあることを示した。幾何学的に整合した多モード暗黙の場であるAlignMiFを導入し,2つのモジュール,Geometry-Aware Alignment (GAA) とShared Geometry Initialization (SGI)を提案する。
論文参考訳（メタデータ） (2024-02-27T13:08:47Z)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
論文参考訳（メタデータ） (2024-01-28T16:30:13Z)
SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
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)
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)
AVIDA: Alternating method for Visualizing and Integrating Data [1.6637373649145604]
AVIDAはデータアライメントと次元削減を同時に行うためのフレームワークである。 AVIDAは特徴のない高次元データセットを正しく整列することを示す。一般の応用では、アライメントおよび次元減少加群に他の方法を用いることができる。
論文参考訳（メタデータ） (2022-05-31T22:36:10Z)
Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-11T03:25:25Z)
Manifold Partition Discriminant Analysis [42.11470531267327]
本稿では,MPDA (Manifold Partition Discriminant Analysis) という,ディメンタリティ低減のための新しいアルゴリズムを提案する。これは、データ多様体の局所的変動と一致する方向に沿ってクラス内類似性が達成される線形埋め込み空間を見つけることを目的としている。 MPDAは接空間の接続を明示的にパラメータ化し、データ多様体を断片的に表現する。
論文参考訳（メタデータ） (2020-11-23T16:33:23Z)
Model Inversion Networks for Model-Based Optimization [110.24531801773392]
スコアから入力への逆写像を学習するモデル反転ネットワーク(MIN)を提案する。 MINは高次元の入力空間にスケールでき、コンテキスト最適化と非コンテキスト最適化の両方にオフラインログデータを利用する。我々は,ベイズ最適化の文献から,画像やタンパク質の設計に対する高次元モデルベース最適化問題,ログデータからのコンテキスト的帯域最適化といったタスクのMINを評価した。
論文参考訳（メタデータ） (2019-12-31T18:06:49Z)

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。