論文の概要: Dimensionality Reduction using Elastic Measures
- arxiv url: http://arxiv.org/abs/2209.04933v1
- Date: Wed, 7 Sep 2022 21:09:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 17:41:19.927918
- Title: Dimensionality Reduction using Elastic Measures
- Title(参考訳): 弾性測度を用いた次元低減
- Authors: J. Derek Tucker, Matthew T. Martinez, Jose M. Laborde
- Abstract要約: 本稿では t-distributed Neighbor Embedding (t-SNE) と Uniform Approximation and Projection (UMAP) に弾性メトリクスを組み込む方法を提案する。
形状識別および分類タスクに関する3つのベンチマークデータセットの性能向上を示す。
- 参考スコア(独自算出の注目度): 0.6445605125467572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the recent surge in big data analytics for hyper-dimensional data there
is a renewed interest in dimensionality reduction techniques for machine
learning applications. In order for these methods to improve performance gains
and understanding of the underlying data, a proper metric needs to be
identified. This step is often overlooked and metrics are typically chosen
without consideration of the underlying geometry of the data. In this paper, we
present a method for incorporating elastic metrics into the t-distributed
Stochastic Neighbor Embedding (t-SNE) and Uniform Manifold Approximation and
Projection (UMAP). We apply our method to functional data, which is uniquely
characterized by rotations, parameterization, and scale. If these properties
are ignored, they can lead to incorrect analysis and poor classification
performance. Through our method we demonstrate improved performance on shape
identification tasks for three benchmark data sets (MPEG-7, Car data set, and
Plane data set of Thankoor), where we achieve 0.77, 0.95, and 1.00 F1 score,
respectively.
- Abstract(参考訳): 最近、超次元データのビッグデータ分析が急増し、機械学習アプリケーションのための次元削減技術に新たな関心が寄せられている。
これらの手法がパフォーマンスの向上と基礎となるデータの理解を改善するためには、適切なメトリックを特定する必要がある。
このステップはしばしば見落とされ、データの基礎となる幾何学を考慮せずにメトリクスが選択される。
本稿では,t分布の確率的近傍埋め込み (t-SNE) と一様多様体近似・投影 (UMAP) に弾性指標を組み込む手法を提案する。
本手法は,回転,パラメータ化,スケールによって特徴付けられる関数データに適用する。
これらの特性が無視されると、誤った分析と分類性能が低下する可能性がある。
本研究では,3つのベンチマークデータセット (mpeg-7, car data set, and plane data set of thankoor) の形状識別タスクにおいて,0.77, 0.95, 1.00 f1スコアをそれぞれ達成した。
関連論文リスト
- (Deep) Generative Geodesics [57.635187092922976]
2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。
我々の計量は、生成距離と生成測地学の概念的定義に繋がる。
彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
論文 参考訳(メタデータ) (2024-07-15T21:14:02Z) - Hierarchical Features Matter: A Deep Exploration of GAN Priors for Improved Dataset Distillation [51.44054828384487]
階層的生成潜在蒸留(H-GLaD)と呼ばれる新しいパラメータ化法を提案する。
本手法はGAN内の階層層を系統的に探索する。
さらに,合成データセット評価に伴う計算負担を軽減するために,新しいクラス関連特徴距離尺度を導入する。
論文 参考訳(メタデータ) (2024-06-09T09:15:54Z) - Noisy Data Visualization using Functional Data Analysis [14.255424476694946]
動的プロセスのための関数情報幾何 (FIG) と呼ばれる新しいデータ可視化手法を提案する。
提案手法は,可視化のために設計されたEIGの変種よりも優れていることを示す。
次に、脳波による睡眠活動の測定を可視化するために、我々の手法を使用します。
論文 参考訳(メタデータ) (2024-06-05T15:53:25Z) - TRIAGE: Characterizing and auditing training data for improved
regression [80.11415390605215]
TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。
TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。
TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-10-29T10:31:59Z) - Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo
Matching [77.133400999703]
相関に基づくステレオマッチングは優れた性能を達成した。
固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。
本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
論文 参考訳(メタデータ) (2023-07-26T09:47:37Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳(メタデータ) (2023-05-03T13:45:40Z) - Multi-Linear Kernel Regression and Imputation in Data Manifolds [12.15802365851407]
本稿では、データ回帰とインプットのための効率的なマルチ線形非パラメトリック近似フレームワークとその動的磁気共鳴イメージング(dMRI)への応用について紹介する。
データ特徴は、ヒルベルト空間を再現するカーネルに埋め込まれた滑らかな多様体に、あるいは近くに存在すると仮定される。ランドマーク点は、接空間の概念を滑らかに模倣する線形近似パッチにより、特徴の点雲を記述するために特定される。
マルチ線形モデルは次元の削減に影響を及ぼし、効率的な計算を可能にし、トレーニングデータや追加情報なしでデータパターンとその幾何学を抽出する。
論文 参考訳(メタデータ) (2023-04-06T12:58:52Z) - Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。
データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。
この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
論文 参考訳(メタデータ) (2022-09-29T18:11:01Z) - Laplacian-based Cluster-Contractive t-SNE for High Dimensional Data
Visualization [20.43471678277403]
本稿では t-SNE に基づく新しいグラフベース次元削減手法 LaptSNE を提案する。
具体的には、LaptSNEはグラフラプラシアンの固有値情報を利用して、低次元埋め込みにおけるポテンシャルクラスタを縮小する。
ラプラシアン合成目的による最適化を考える際には、より広い関心を持つであろう勾配を解析的に計算する方法を示す。
論文 参考訳(メタデータ) (2022-07-25T14:10:24Z) - AutoDO: Robust AutoAugment for Biased Data with Label Noise via Scalable
Probabilistic Implicit Differentiation [3.118384520557952]
AutoAugmentはディープラーニングモデルに対する自動拡張手法への関心を呼び起こした。
バイアスデータやノイズデータに適用した場合,これらの手法は堅牢ではないことを示す。
AutoAugmentを汎用的な自動データセット最適化(AutoDO)タスクとして再構成します。
従来の手法と比較して,ラベルノイズのあるバイアス付きデータセットは最大9.3%改善した。
論文 参考訳(メタデータ) (2021-03-10T04:05:33Z) - Learning Flat Latent Manifolds with VAEs [16.725880610265378]
本稿では、ユークリッド計量がデータポイント間の類似性のプロキシとなる変分自動エンコーダのフレームワークの拡張を提案する。
我々は、変分オートエンコーダで一般的に使用されるコンパクトな以前のものを、最近発表されたより表現力のある階層型に置き換える。
提案手法は,ビデオ追跡ベンチマークを含む,さまざまなデータセットを用いて評価する。
論文 参考訳(メタデータ) (2020-02-12T09:54:52Z)
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。