論文の概要: Stability and Machine Learning Applications of Persistent Homology Using
the Delaunay-Rips Complex
- arxiv url: http://arxiv.org/abs/2303.01501v1
- Date: Thu, 2 Mar 2023 18:59:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 12:50:37.756668
- Title: Stability and Machine Learning Applications of Persistent Homology Using
the Delaunay-Rips Complex
- Title(参考訳): Delaunay-Rips錯体を用いた永続ホモロジーの安定性と機械学習応用
- Authors: Amish Mishra and Francis C. Motta
- Abstract要約: Delaunay-Rips complex (DR) と呼ばれるユークリッド点雲データの永続的ホモロジーを計算するための単純な複素構造を定義し,実装し,研究する。
DRは、点雲のデラウネー三角法に現れる単純化のみを考慮することで、永続性計算における高速化を経験する。
- 参考スコア(独自算出の注目度): 0.10660480034605237
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we define, implement, and investigate a simplicial complex
construction for computing persistent homology of Euclidean point cloud data,
which we call the Delaunay-Rips complex (DR). Assigning the Vietoris-Rips
weights to simplices, DR experiences speed-up in the persistence calculations
by only considering simplices that appear in the Delaunay triangulation of the
point cloud. We document and compare a Python implementation of DR with other
simplicial complex constructions for generating persistence diagrams. By
imposing sufficient conditions on point cloud data, we are able to
theoretically justify the stability of the persistence diagrams produced using
DR. When the Delaunay triangulation of the point cloud changes under
perturbations of the points, we prove that DR-produced persistence diagrams
exhibit instability. Since we cannot guarantee that real-world data will
satisfy our stability conditions, we demonstrate the practical robustness of DR
for persistent homology in comparison with other simplicial complexes in
machine learning applications. We find in our experiments that using DR for an
ML-TDA pipeline performs comparatively well as using other simplicial complex
constructions.
- Abstract(参考訳): 本稿では、ユークリッド点雲データの持続的ホモロジーを計算するための簡素な複素構造を定義・実装・検討し、これをdelaunay-rips complex (dr) と呼ぶ。
ヴィエトリス・リップス重みを単純化に割り当てると、DRは点雲のデラウネー三角測量に現れる単純さのみを考慮し、永続性計算におけるスピードアップを経験する。
DRのPython実装と、永続化図を生成するための単純な複雑な構造を文書化し比較する。
点クラウドデータに十分な条件を課すことで,点クラウドのデラウネー三角測量が点の摂動下で変化するとき,drで生成した永続図の安定性を理論的に正当化することができる。
実世界のデータが我々の安定性条件を満たすことは保証できないので、機械学習アプリケーションにおける他の単純複体と比較して、永続的ホモロジーに対するdrの実用的な堅牢性を示す。
実験の結果,ML-TDAパイプラインにDRを用いることは,他の単純な複素構造と同様に比較的よく動作することがわかった。
関連論文リスト
- Trajectory Consistency Distillation [79.51926254178858]
トラジェクトリ一貫性関数と戦略的サンプリングを含むトラジェクトリ一貫性蒸留(TCD)を導入する。
TCDは低NFEの画質を著しく向上させるが、高NFEの教師モデルと比較してより詳細な結果が得られる。
論文 参考訳(メタデータ) (2024-02-29T13:44:14Z) - Exploring Unified Perspective For Fast Shapley Value Estimation [77.15924044466976]
共有値の単純かつ効率的な推定法であるSimSHAPを提案する。
実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
論文 参考訳(メタデータ) (2023-11-02T06:09:24Z) - Sparse Bayesian Multidimensional Item Response Theory [0.0]
本稿では,二項および順序項目MIRTのためのベイズ的プラットフォームを開発する。
チューニングが最小限で、比較的大規模なデータセットで十分スケールする必要がある。
2つのデータセットに対して,本手法の実用的有用性を示す。
論文 参考訳(メタデータ) (2023-10-26T23:50:50Z) - Reduced Simulations for High-Energy Physics, a Middle Ground for
Data-Driven Physics Research [0.0]
サブ原子粒子軌道再構成は高エネルギー物理実験において重要な課題である。
我々は,複雑性低減型検出器モデルとしてREDVID(REDuced VIrtual Detector)と粒子衝突イベントシミュレータコンボを提供する。
論文 参考訳(メタデータ) (2023-08-30T12:50:45Z) - Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level
Stability and High-Level Behavior [51.60683890503293]
生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。
任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
論文 参考訳(メタデータ) (2023-07-27T04:27:26Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳(メタデータ) (2022-02-27T12:52:27Z) - SimSR: Simple Distance-based State Representation for Deep Reinforcement
Learning [14.626797887000901]
本研究は, 深部強化学習手法を用いた画像ベース観測から, 頑健で一般化可能な状態表現の学習方法について検討する。
SimSR(Simple State Representation, SimSR)演算子を設計し, 実測値との比較により, 近似順序で同等の機能を実現する。
我々のモデルは一般により良い性能を達成し、より良い堅牢性と優れた一般化を持つ。
論文 参考訳(メタデータ) (2021-12-31T04:39:54Z) - A Fast Parallel Tensor Decomposition with Optimal Stochastic Gradient
Descent: an Application in Structural Damage Identification [1.536989504296526]
本稿では, CANDECOMP/PARAFAC (CP) 分解を mathbbR I_1 times dots times I_N $ で並列化する新しいアルゴリズム FP-CPD を提案する。
論文 参考訳(メタデータ) (2021-11-04T05:17:07Z) - Unpaired Adversarial Learning for Single Image Deraining with Rain-Space
Contrastive Constraints [61.40893559933964]
我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。
提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
論文 参考訳(メタデータ) (2021-09-07T10:00:45Z) - Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。
本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。
本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
論文 参考訳(メタデータ) (2020-11-09T02:51:17Z) - Robust Persistence Diagrams using Reproducing Kernels [15.772439913138161]
我々は,カーネルを用いて構築した高レベル密度推定器のフィルタから,頑健な永続性図を構築するためのフレームワークを開発する。
本稿では,ベンチマークデータセットにおける提案手法の優位性を示す。
論文 参考訳(メタデータ) (2020-06-17T17:16:52Z)
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。