論文の概要: A Primer on Topological Data Analysis to Support Image Analysis Tasks in
Environmental Science
- arxiv url: http://arxiv.org/abs/2207.10552v1
- Date: Thu, 21 Jul 2022 15:51:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 12:46:50.349484
- Title: A Primer on Topological Data Analysis to Support Image Analysis Tasks in
Environmental Science
- Title（参考訳）: 環境科学における画像解析タスクを支援するトポロジカルデータ解析のプライマー
- Authors: Lander Ver Hoef and Henry Adams and Emily J. King and Imme
Ebert-Uphoff
- Abstract要約: トポロジカルデータ分析(TDA)は、データサイエンスと数学のツールであり、環境科学で波を発生させ始めている。
理論的背景を簡潔に議論するが、主にこのツールのアウトプットを理解することに焦点を当てる。
我々は、単純な機械学習アルゴリズムを用いてワークフローにおいて、永続化ホモロジーとそのベクトル化、永続化ランドスケープがどのように使用できるかを実証する。
- 参考スコア（独自算出の注目度）: 1.6904374000330988
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Topological data analysis (TDA) is a tool from data science and mathematics
that is beginning to make waves in environmental science. In this work, we seek
to provide an intuitive and understandable introduction to a tool from TDA that
is particularly useful for the analysis of imagery, namely persistent homology.
We briefly discuss the theoretical background but focus primarily on
understanding the output of this tool and discussing what information it can
glean. To this end, we frame our discussion around a guiding example of
classifying satellite images from the Sugar, Fish, Flower, and Gravel Dataset
produced for the study of mesocale organization of clouds by Rasp et. al. in
2020 (arXiv:1906:01906). We demonstrate how persistent homology and its
vectorization, persistence landscapes, can be used in a workflow with a simple
machine learning algorithm to obtain good results, and explore in detail how we
can explain this behavior in terms of image-level features. One of the core
strengths of persistent homology is how interpretable it can be, so throughout
this paper we discuss not just the patterns we find, but why those results are
to be expected given what we know about the theory of persistent homology. Our
goal is that a reader of this paper will leave with a better understanding of
TDA and persistent homology, be able to identify problems and datasets of their
own for which persistent homology could be helpful, and gain an understanding
of results they obtain from applying the included GitHub example code.
- Abstract（参考訳）: トポロジカルデータ分析(TDA)は、データサイエンスと数学のツールであり、環境科学で波を発生させ始めている。
本研究は,画像解析,すなわち持続的ホモロジーにおいて特に有用である,tdaのツールの直感的かつ理解可能な紹介を提供することを目的としている。
簡単に理論的な背景を議論するが、主にこのツールのアウトプットを理解し、どのような情報が読み取れるかについて議論する。
そこで本研究では,raspらによる雲のメソケール構造の研究のために作成された糖,魚,花,砂利のデータセットから衛星画像を分類する誘導例について考察する。
2020年時点(arXiv:1906:01906)。
我々は,単純な機械学習アルゴリズムを用いてワークフロー内で永続的ホモロジーとそのベクトル化,永続的ランドスケープがいかに利用できるかを実証し,画像レベルの特徴を用いてその振る舞いを詳細に説明する。
永続ホモロジーのコアとなる強みの1つは、それがいかに解釈可能かであるので、本論文全体を通して、見いだすパターンだけでなく、永続ホモロジーの理論について知っていることを考えると、なぜこれらの結果が期待されるのかを議論する。
私たちの目標は、この論文の読者が、TDAと永続的ホモロジーをよりよく理解し、永続的ホモロジーが役立つ可能性のある問題やデータセットを識別し、GitHubのサンプルコードの適用から得られる結果の理解を得ることです。
関連論文リスト
- Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
グラフにおけるクロスタスクの一般性を学習するための新しいアプローチを提案する。
グラフ上のタスク空間を整列させるための基本的な学習インスタンスとしてタスクツリーを提案する。
その結果,グラフニューラルネットワークが多種多様なタスクツリーで事前訓練された場合,伝達可能な知識を取得することが示唆された。
論文 参考訳（メタデータ） (2024-12-21T02:07:43Z) - Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。
帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。
本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。
第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
論文 参考訳（メタデータ） (2024-08-03T13:37:40Z) - Explaining the Power of Topological Data Analysis in Graph Machine
Learning [6.2340401953289275]
トポロジカルデータ分析(TDA)は、データ内の複雑な形状や構造をキャプチャする能力を研究者によって称賛されている。
我々は、総合的な実験を通して、TDAに関する主張を慎重に検証し、それらのメリットを検証する。
TDAは, 計算コストの大幅な増大を図りながら, 既存手法の予測能力を著しく向上しないことがわかった。
論文 参考訳（メタデータ） (2024-01-08T21:47:35Z) - Notes on Applicability of Explainable AI Methods to Machine Learning
Models Using Features Extracted by Persistent Homology [0.0]
永続ホモロジー(PH)は機械学習に広く応用されている。
比較的単純なダウンストリーム機械学習モデルで十分なレベルの精度を達成する能力は、これらの抽出された特徴を処理する際に、パイプラインの優れた解釈可能性の基盤となる。
本稿では,このPH-MLパイプラインへの説明可能なAI手法の適用の可能性について検討する。
論文 参考訳（メタデータ） (2023-10-15T08:56:15Z) - Structural Node Embeddings with Homomorphism Counts [2.0131144893314232]
準同型は局所構造情報を捉えます
準同型数に基づくノード埋め込みの有効性を実験的に示す。
本手法は,有界木幅グラフクラスに対するグラフ準同型カウントの効率的な計算可能性に着目している。
論文 参考訳（メタデータ） (2023-08-29T13:14:53Z) - How Do Transformers Learn Topic Structure: Towards a Mechanistic
Understanding [56.222097640468306]
我々は、トランスフォーマーが「意味構造」を学ぶ方法の機械的理解を提供する
数学的解析とウィキペディアデータの実験を組み合わせることで、埋め込み層と自己保持層がトピック構造をエンコードしていることを示す。
論文 参考訳（メタデータ） (2023-03-07T21:42:17Z) - On topological data analysis for SHM; an introduction to persistent
homology [0.0]
トポロジカルデータ解析における主要なツールは、永続的ホモロジーである。
永続的ホモロジーは、データのホモロジー的特徴が間隔を超えてどのように持続するかの表現である。
これらの結果により、トポロジカルな推論と高次元データの特徴を推定することができる。
論文 参考訳（メタデータ） (2022-09-12T12:02:39Z) - On the Viability of Monocular Depth Pre-training for Semantic Segmentation [48.29060171161375]
本研究は,意味的タスクへの下流移動において,幾何学的タスクの事前学習が有効かどうかを考察する。
単分子深度は意味的セグメンテーションのための事前学習の実行可能な形式であり、共通ベースラインの改善によって検証される。
論文 参考訳（メタデータ） (2022-03-26T04:27:28Z) - Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。
人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
論文 参考訳（メタデータ） (2021-04-17T21:34:10Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Latent Feature Representation via Unsupervised Learning for Pattern
Discovery in Massive Electron Microscopy Image Volumes [4.278591555984395]
特に,データセットにおける意味的類似性を捉える潜在表現を学ぶための教師なしのディープラーニングアプローチを提案する。
動物脳の比較的小さな部分でもテラバイトの画像を要求できるナノスケールの電子顕微鏡データに適用する手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-12-22T17:14:19Z)
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。