論文の概要: DimenFix: A novel meta-dimensionality reduction method for feature preservation

• arxiv url: http://arxiv.org/abs/2211.16752v1
• Date: Wed, 30 Nov 2022 05:35:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 17:23:02.524240
• Title: DimenFix: A novel meta-dimensionality reduction method for feature preservation
• Title（参考訳）: DimenFix: 特徴保存のための新しいメタ次元化法
• Authors: Qiaodan Luo, Leonardo Christino, Fernando V Paulovich and Evangelos Milios
• Abstract要約: そこで我々は, グラデーション・ディフレッシブなプロセスを含む任意の基本次元還元法で操作できる新しいメタメソド, DimenFixを提案する。 DimenFixは、ディメンタリティの削減と見なされるさまざまな機能の重要性をユーザが定義できるようにすることで、与えられたデータセットを視覚化し、理解する新たな可能性を生み出します。
• 参考スコア（独自算出の注目度）: 64.0476282000118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dimensionality reduction has become an important research topic as demand for interpreting high-dimensional datasets has been increasing rapidly in recent years. There have been many dimensionality reduction methods with good performance in preserving the overall relationship among data points when mapping them to a lower-dimensional space. However, these existing methods fail to incorporate the difference in importance among features. To address this problem, we propose a novel meta-method, DimenFix, which can be operated upon any base dimensionality reduction method that involves a gradient-descent-like process. By allowing users to define the importance of different features, which is considered in dimensionality reduction, DimenFix creates new possibilities to visualize and understand a given dataset. Meanwhile, DimenFix does not increase the time cost or reduce the quality of dimensionality reduction with respect to the base dimensionality reduction used.
• Abstract（参考訳）: 近年,高次元データセットの解釈に対する需要が急増しているため,次元の低減が重要な研究トピックとなっている。 低次元空間にマッピングする場合、データポイント間の全体的関係を維持する上で、優れた性能を持つ次元削減手法が数多く存在する。 しかし、これらの既存手法は特徴間の重要性の違いを組み込むことができない。 この問題に対処するために,グラデーションdescent様のプロセスを含む任意の基本次元低減法で操作可能な新しいメタメソッドであるdimenfixを提案する。 次元の縮小で考慮される異なる特徴の重要性をユーザが定義できるようにすることで、dimenfixは与えられたデータセットを視覚化し理解するための新たな可能性を生み出します。 一方、dimenfixは、使用する基本次元の削減に対して、時間コストを増加させるか、または次元の削減の質を低下させることはない。

関連論文リスト

• Dimension reduction via score ratio matching [0.9012198585960441]
  スコアマッチングから派生したフレームワークを提案し、勾配を利用できない問題に勾配に基づく次元の減少を拡大する。 提案手法は,低次元構造を有する問題に対して,標準的なスコアマッチングよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-25T22:21:03Z)
• Golden Ratio-Based Sufficient Dimension Reduction [6.184279198087624]
  本稿では,ニューラルネットワークを用いた十分次元削減手法を提案する。 構造次元を効果的に特定し、中心空間をうまく推定する。 これは、バロンクラスの関数に対するニューラルネットワークの近似能力の利点を生かし、計算コストの削減につながる。
  論文  参考訳（メタデータ） (2024-10-25T04:15:15Z)
• Interpretable Linear Dimensionality Reduction based on Bias-Variance Analysis [45.3190496371625]
  本稿では,特徴の解釈可能性を維持するための基本次元削減手法を提案する。 このように、全ての特徴を考慮し、次元性を減らし、解釈可能性を保持する。
  論文  参考訳（メタデータ） (2023-03-26T14:30:38Z)
• An Experimental Study of Dimension Reduction Methods on Machine Learning Algorithms with Applications to Psychometrics [77.34726150561087]
  次元の減少は、変数の減少を伴わないのと同じ精度で減少、増大、あるいは達成できることを示す。 我々の暫定的な結果は、次元の減少が分類タスクに使用する場合、より良い性能をもたらす傾向があることを見出した。
  論文  参考訳（メタデータ） (2022-10-19T22:07:13Z)
• 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)
• Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
  MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。 そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。 提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
  論文  参考訳（メタデータ） (2021-09-30T10:23:55Z)
• A Subspace-based Approach for Dimensionality Reduction and Important Variable Selection [0.0]
  本研究では, ランダム化探索に基づいて, 部分空間, 縮小次元の物理空間を創出する手法を提案する。 複合金属開発プロセスから収集した高次元データに適用した場合,提案手法は予測および重要な変数選択において,その優位性を示す。
  論文  参考訳（メタデータ） (2021-06-03T04:10:34Z)
• A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
  本稿では,Vec2vecという新しい局所非線形手法を提案する。 ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-10T23:10:47Z)
• Multi-point dimensionality reduction to improve projection layout reliability [77.34726150561087]
  通常の次元還元(dr)では、m-次元空間(原空間)の各データインスタンスは、d-次元空間(視覚空間)内の一点にマッピングされる。 当社のソリューションであるRed Gray Plusは、通常のDRとグラフ描画技術を組み合わせて構築され、拡張されています。
  論文  参考訳（メタデータ） (2021-01-15T17:17:02Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)

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。