論文の概要: EVNet: An Explainable Deep Network for Dimension Reduction
- arxiv url: http://arxiv.org/abs/2211.15478v1
- Date: Mon, 21 Nov 2022 08:38:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 13:49:44.202920
- Title: EVNet: An Explainable Deep Network for Dimension Reduction
- Title(参考訳): EVNet:次元削減のための説明可能なディープネットワーク
- Authors: Zelin Zang, Shenghui Cheng, Linyan Lu, Hanchen Xia, Liangyu Li,
Yaoting Sun, Yongjie Xu, Lei Shang, Baigui Sun, Stan Z. Li
- Abstract要約: 次元減少(DR)は、固有構造を捉え、高次元データを低次元空間に変換するために一般的に用いられる。
我々はEVNetと呼ばれるディープニューラルネットワーク手法を開発し、構造維持性と説明可能性に優れた性能を提供する。
提案手法は視覚インタフェースと統合され,ユーザがEVNetを調整し,DR性能と説明可能性を向上させる。
- 参考スコア(独自算出の注目度): 23.84304618356771
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dimension reduction (DR) is commonly utilized to capture the intrinsic
structure and transform high-dimensional data into low-dimensional space while
retaining meaningful properties of the original data. It is used in various
applications, such as image recognition, single-cell sequencing analysis, and
biomarker discovery. However, contemporary parametric-free and parametric DR
techniques suffer from several significant shortcomings, such as the inability
to preserve global and local features and the pool generalization performance.
On the other hand, regarding explainability, it is crucial to comprehend the
embedding process, especially the contribution of each part to the embedding
process, while understanding how each feature affects the embedding results
that identify critical components and help diagnose the embedding process. To
address these problems, we have developed a deep neural network method called
EVNet, which provides not only excellent performance in structural
maintainability but also explainability to the DR therein. EVNet starts with
data augmentation and a manifold-based loss function to improve embedding
performance. The explanation is based on saliency maps and aims to examine the
trained EVNet parameters and contributions of components during the embedding
process. The proposed techniques are integrated with a visual interface to help
the user to adjust EVNet to achieve better DR performance and explainability.
The interactive visual interface makes it easier to illustrate the data
features, compare different DR techniques, and investigate DR. An in-depth
experimental comparison shows that EVNet consistently outperforms the
state-of-the-art methods in both performance measures and explainability.
- Abstract(参考訳): 次元減少(DR)は、固有構造を捕捉し、高次元データを低次元空間に変換しつつ、元のデータの有意義な特性を保持するために一般的に用いられる。
画像認識、単細胞シークエンシング解析、バイオマーカーの発見など様々な用途で使用されている。
しかしながら、現代のパラメトリックフリーおよびパラメトリックdr技術は、グローバルおよびローカルな特徴を保存できないことやプールの一般化性能など、いくつかの重大な欠点を抱えている。
一方,説明可能性については,各特徴が重要なコンポーネントを識別し,その埋め込みプロセスの診断にどのように影響するかを理解しながら,埋め込みプロセス,特に各部分の埋め込みプロセスへの寄与を理解することが重要である。
これらの問題に対処するため,我々はEVNetと呼ばれるディープニューラルネットワーク手法を開発した。
EVNetは、組み込み性能を改善するために、データ拡張と多様体ベースの損失関数から始まる。
この説明は、saliency mapsに基づいており、組み込みプロセス中のコンポーネントの訓練されたevnetパラメータと貢献を調べることを目的としている。
提案手法は視覚インタフェースと統合され,ユーザがEVNetを調整し,DR性能と説明可能性を向上させる。
インタラクティブなビジュアルインターフェースにより,データ特徴の説明や異なるDR技術の比較,DRの検証が容易になる。詳細な実験的比較では,EVNetがパフォーマンス測定と説明可能性の両方において,最先端の手法を一貫して上回っていることが示されている。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-29T19:02:54Z) - Multi-channel Time Series Decomposition Network For Generalizable Sensor-Based Activity Recognition [2.024925013349319]
本稿では,MTSDNet(Multi- Channel Time Series Decomposition Network)を提案する。
トレーニング可能なパラメータ化時間分解により、元の信号を複数の成分と三角関数の組み合わせに分解する。
提案手法の精度と安定性を他の競合戦略と比較して予測する利点を示す。
論文 参考訳(メタデータ) (2024-03-28T12:54:06Z) - Nonlinear functional regression by functional deep neural network with
kernel embedding [20.306390874610635]
本稿では,効率的かつ完全なデータ依存型次元減少法を備えた機能的ディープニューラルネットワークを提案する。
機能ネットのアーキテクチャは、カーネル埋め込みステップ、プロジェクションステップ、予測のための深いReLUニューラルネットワークで構成される。
スムーズなカーネル埋め込みを利用することで、我々の関数ネットは離散化不変であり、効率的で、頑健でノイズの多い観測が可能となる。
論文 参考訳(メタデータ) (2024-01-05T16:43:39Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳(メタデータ) (2023-10-18T02:59:57Z) - Point-aware Interaction and CNN-induced Refinement Network for RGB-D Salient Object Detection [95.84616822805664]
我々は,CNNによるトランスフォーマーアーキテクチャを導入し,ポイント・アウェア・インタラクションとCNNによるリファインメントを備えた新しいRGB-D SODネットワークを提案する。
トランスフォーマーがもたらすブロック効果とディテール破壊問題を自然に軽減するために,コンテンツリファインメントとサプリメントのためのCNNRユニットを設計する。
論文 参考訳(メタデータ) (2023-08-17T11:57:49Z) - Distribution-sensitive Information Retention for Accurate Binary Neural
Network [49.971345958676196]
本稿では、前向きのアクティベーションと後向きの勾配の情報を保持するために、新しいDIR-Net(Distribution-sensitive Information Retention Network)を提案する。
我々のDIR-Netは、主流かつコンパクトなアーキテクチャの下で、SOTAバイナライゼーションアプローチよりも一貫して優れています。
我々は、実世界のリソース制限されたデバイス上でDIR-Netを行い、ストレージの11.1倍の節約と5.4倍のスピードアップを実現した。
論文 参考訳(メタデータ) (2021-09-25T10:59:39Z) - ACFNet: Adaptively-Cooperative Fusion Network for RGB-D Salient Object
Detection [0.0]
本稿では適応的協調型核融合ネットワーク(ACFNet)を提案する。
異なるオブジェクトに対して、異なるタイプの畳み込みによって生成された特徴は、セグメンテーション最適化のためのゲート機構によって強化または抑制される。
RGB-D SODデータセット上で行った十分な実験は、提案するネットワークが18の最先端アルゴリズムに対して好適に動作することを示す。
論文 参考訳(メタデータ) (2021-09-10T02:34:27Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳(メタデータ) (2021-01-07T07:33:38Z) - A Retinex based GAN Pipeline to Utilize Paired and Unpaired Datasets for
Enhancing Low Light Images [0.0]
本稿では,ペアとアンペアの両方のデータセットから学習可能な,新しいディープラーニングパイプラインを提案する。
標準損失を最小限にするために最適化されたCNNと、敵損失を最小限にするために最適化されたGAN(Generative Adversarial Networks)を使用する。
論文 参考訳(メタデータ) (2020-06-27T07:12:21Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-22T14:49:33Z) - Efficient Facial Feature Learning with Wide Ensemble-based Convolutional
Neural Networks [20.09586211332088]
畳み込みネットワークに基づく共有表現を用いたアンサンブル実験について述べる。
本研究では,ESRの分岐レベルを変化させることで,冗長性と計算負荷を劇的に低減できることを示す。
大規模なデータセットの実験では、ESRは残余の一般化誤差を減らすことが示唆されている。
論文 参考訳(メタデータ) (2020-01-17T14:32:27Z)
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。