論文の概要: A Spectral Method for Assessing and Combining Multiple Data
Visualizations
- arxiv url: http://arxiv.org/abs/2210.13711v1
- Date: Tue, 25 Oct 2022 02:13:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 14:21:25.980577
- Title: A Spectral Method for Assessing and Combining Multiple Data
Visualizations
- Title(参考訳): 複数のデータビジュアライゼーションの評価と組み合わせのためのスペクトル法
- Authors: Rong Ma, Eric D. Sun and James Zou
- Abstract要約: 与えられたデータセットの複数のビジュアライゼーションを評価し,組み合わせるための効率的なスペクトル法を提案する。
提案手法は,各データ点の周辺構造を保存するための可視化の相対的な性能について,定量的な測定値,可視化固有スコア(en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en: en:en:en:en:en:en:en:en:en:en
我々は,複数のシミュレーションおよび実世界のデータセットを分析し,可視化評価のための固有スコアの有効性と,提案したコンセンサス・ビジュアライゼーションの優位性を示す。
- 参考スコア(独自算出の注目度): 13.193958370464683
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dimension reduction and data visualization aim to project a high-dimensional
dataset to a low-dimensional space while capturing the intrinsic structures in
the data. It is an indispensable part of modern data science, and many
dimensional reduction and visualization algorithms have been developed.
However, different algorithms have their own strengths and weaknesses, making
it critically important to evaluate their relative performance for a given
dataset, and to leverage and combine their individual strengths. In this paper,
we propose an efficient spectral method for assessing and combining multiple
visualizations of a given dataset produced by diverse algorithms. The proposed
method provides a quantitative measure -- the visualization eigenscore -- of
the relative performance of the visualizations for preserving the structure
around each data point. Then it leverages the eigenscores to obtain a consensus
visualization, which has much improved { quality over the individual
visualizations in capturing the underlying true data structure.} Our approach
is flexible and works as a wrapper around any visualizations. We analyze
multiple simulated and real-world datasets from diverse applications to
demonstrate the effectiveness of the eigenscores for evaluating visualizations
and the superiority of the proposed consensus visualization. Furthermore, we
establish rigorous theoretical justification of our method based on a general
statistical framework, yielding fundamental principles behind the empirical
success of consensus visualization along with practical guidance.
- Abstract(参考訳): 次元の縮小とデータの可視化は、データの内部構造を捉えながら、高次元データセットを低次元空間に投影することを目的としている。
現代のデータ科学では欠かせない部分であり、多くの次元還元と可視化アルゴリズムが開発されている。
しかし、異なるアルゴリズムには独自の強みと弱みがあり、与えられたデータセットに対する相対的なパフォーマンスを評価し、それぞれの強みを活用し結合することが極めて重要である。
本稿では,多種多様なアルゴリズムによって生成されたデータセットの複数の可視化を評価・結合する効率的なスペクトル法を提案する。
提案手法は,各データポイント周辺の構造を保存するための可視化の相対的性能の定量的尺度である可視化固有スコアを提供する。
そして、固有コアを活用してコンセンサス視覚化を取得し、基盤となる真のデータ構造をキャプチャすることで、個々の可視化よりも品質が大幅に向上した。
当社のアプローチは柔軟で,視覚化のラッパーとして機能しています。
多様なアプリケーションから複数のシミュレーションおよび実世界のデータセットを分析し、可視化評価のための固有スコアの有効性と、提案したコンセンサス視覚化の優位性を示す。
さらに,コンセンサス可視化の実証的成功と実践的指導の背後にある基本原理を生かした,一般的な統計的枠組みに基づく厳密な理論的正当性を確立する。
関連論文リスト
- 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) - Cross-view Graph Contrastive Representation Learning on Partially
Aligned Multi-view Data [52.491074276133325]
マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。
本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。
複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
論文 参考訳(メタデータ) (2022-11-08T09:19:32Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳(メタデータ) (2022-11-03T08:18:27Z) - Self-Supervised Consistent Quantization for Fully Unsupervised Image
Retrieval [17.422973861218182]
教師なし画像検索は、高価なデータアノテーションを使わずに効率的な検索システムを学習することを目的としている。
近年の進歩は、視覚的特徴と量子化符号を協調的に最適化するために、深いモデルをスクラッチからトレーニングすることを目的とした、完全な教師なし画像検索を提案する。
本稿では, 部分一貫した量子化と大域一貫した量子化からなる, 完全教師なし画像検索のための, 自己教師付き一貫した量子化手法を提案する。
論文 参考訳(メタデータ) (2022-06-20T14:39:59Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳(メタデータ) (2022-03-11T02:37:35Z) - Delaunay Component Analysis for Evaluation of Data Representations [20.31649764319578]
Delaunay Component Analysis (DCA) - Delaunay graphと呼ばれるより適切な近傍グラフを用いてデータ多様体を近似する評価アルゴリズムを提案する。
比較対象モデル,教師付きモデル,生成モデルを用いて学習したニューラルネットワークから得られた表現について,提案手法を実験的に検証した。
論文 参考訳(メタデータ) (2022-02-14T16:48:23Z) - Attentive Multi-View Deep Subspace Clustering Net [4.3386084277869505]
我々は,AMVDSN(Attentive Multi-View Deep Subspace Nets)を提案する。
提案手法は,コンセンサス情報とビュー固有情報の両方を明示的に考慮した有意な潜在表現を求める。
7つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2021-12-23T12:57:26Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳(メタデータ) (2021-08-15T13:14:28Z) - 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) - A Variational Information Bottleneck Approach to Multi-Omics Data
Integration [98.6475134630792]
本稿では,不完全な多視点観測のための深い変動情報ボトルネック (IB) 手法を提案する。
本手法は,対象物に関連のある視点内および視点間相互作用に焦点をあてるために,観測された視点の辺縁および結合表現にISBフレームワークを適用した。
実世界のデータセットの実験から、我々の手法はデータ統合から常に利益を得て、最先端のベンチマークより優れています。
論文 参考訳(メタデータ) (2021-02-05T06:05:39Z) - Genetic Programming for Evolving a Front of Interpretable Models for
Data Visualisation [4.4181317696554325]
GPtSNEという遺伝的プログラミング手法を用いて,データセットから高品質な可視化へ解釈可能なマッピングを進化させる手法を提案する。
多目的アプローチは、視覚的品質とモデルの複雑さの間に異なるトレードオフをもたらす、単一の実行で様々な可視化を生成するように設計されている。
論文 参考訳(メタデータ) (2020-01-27T04:03:19Z)
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。