Fugu-MT 論文翻訳(概要): May the force be with you

論文の概要: May the force be with you

arxiv url: http://arxiv.org/abs/2208.06676v1
Date: Sat, 13 Aug 2022 15:52:58 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 14:14:13.545344
Title: May the force be with you
Title（参考訳）: 力を合わせてもよろしい。
Authors: Yulan Zhang, Anna C. Gilbert, Stefan Steinerberger
Abstract要約: 次元減少法は非線形アトラクション反発力に基づく手法によって支配される。このベクトル場がいかにして高品質な情報を与えるかを示し、モース理論の考え方に基づく一般化戦略を提案する。これらのアイデアの効率性は、合成および実生活データセットにおけるt-SNEを特に用いて説明される。
参考スコア（独自算出の注目度）: 4.636538620253008
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern methods in dimensionality reduction are dominated by nonlinear attraction-repulsion force-based methods (this includes t-SNE, UMAP, ForceAtlas2, LargeVis, and many more). The purpose of this paper is to demonstrate that all such methods, by design, come with an additional feature that is being automatically computed along the way, namely the vector field associated with these forces. We show how this vector field gives additional high-quality information and propose a general refinement strategy based on ideas from Morse theory. The efficiency of these ideas is illustrated specifically using t-SNE on synthetic and real-life data sets.
Abstract（参考訳）: 現代の次元減少法は、非線形アトラクション反発力に基づく手法(t-SNE、UMAP、ForceAtlas2、LargeVisなど)で支配されている。本研究の目的は,このような手法がすべて設計上,その過程で自動的に計算される付加的な特徴,すなわちこれらの力に付随するベクトル場を持つことを実証することである。本稿では,このベクトル場がさらに高品質な情報を与える方法を示し,モース理論に基づく一般化戦略を提案する。これらのアイデアの効率性は、合成および実生活データセットにおけるt-SNEを特に用いて説明される。

関連論文リスト

A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文参考訳（メタデータ） (2023-05-30T13:58:50Z)
Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文参考訳（メタデータ） (2023-05-28T06:30:29Z)
Data-driven abstractions via adaptive refinements and a Kantorovich metric [extended version] [56.94699829208978]
本稿では,動的システムのスマートでスケーラブルな抽象化のための適応的洗練手順を提案する。最適構造を学ぶために、マルコフ連鎖の間のカントロビッチに着想を得た計量を定義する。本稿では,従来の線形プログラミング手法よりも計算量が多くなることを示す。
論文参考訳（メタデータ） (2023-03-30T11:26:40Z)
Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics [55.41644538483948]
粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。 CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
論文参考訳（メタデータ） (2023-02-14T14:35:39Z)
Manifold embedding data-driven mechanics [0.0]
本稿では、可逆ニューラルネットワークによって生成された多様体の埋め込みを利用する、新しいデータ駆動型アプローチを紹介する。深層ニューラルネットワークを訓練して、多様体から低次元ユークリッドベクトル空間にデータをグローバルにマッピングする。
論文参考訳（メタデータ） (2021-12-18T04:38:32Z)
Deep Recursive Embedding for High-Dimensional Data [9.611123249318126]
本稿では,DNN(Deep Neural Network)と高次元データ埋め込みのための数学誘導埋め込みルールを組み合わせることを提案する。本稿では,高次元空間から低次元空間へのパラメトリックマッピングを学習可能な汎用ディープ埋め込みネットワーク(DEN)フレームワークを提案する。
論文参考訳（メタデータ） (2021-10-31T23:22:33Z)
Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文参考訳（メタデータ） (2021-03-24T21:17:17Z)
Factoring out prior knowledge from low-dimensional embeddings [21.960176662468026]
低次元埋め込みから距離行列の形で事前知識を分解する2つの方法を提案する。合成データと実世界データの両方の実験は、両方の方法がうまく機能することを示しています。
論文参考訳（メタデータ） (2021-03-02T16:10:36Z)
t-SNE, Forceful Colorings and Mean Field Limits [0.0]
t-SNEは、最も一般的に使用される力ベースの寸法還元方法の1つです。我々は古典的変分法における興味深い疑問を導く平均場モデルを導出する。モデルは、限界において、単一の完全均質クラスターのt-SNE埋め込みは点ではなく、直径$sim k-1/4 n-1/4$の薄い環状であると予測する。
論文参考訳（メタデータ） (2021-02-25T17:14:07Z)
Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文参考訳（メタデータ） (2020-11-25T14:00:18Z)
Attraction-Repulsion Spectrum in Neighbor Embeddings [6.129463540742259]
隣の埋め込みアルゴリズムは、隣接する一対の点間の魅力的な力と全ての点間の反発力を組み合わせる。ここでは、誇張パラメータを用いたt-SNEの魅力と反発力のバランスの変化が、埋め込みのスペクトルをもたらすことを実証的に示す。
論文参考訳（メタデータ） (2020-07-17T11:10:04Z)

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。