論文の概要: Toward a Geometric Theory of Manifold Untangling
- arxiv url: http://arxiv.org/abs/2303.04203v1
- Date: Tue, 7 Mar 2023 19:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 16:03:04.412008
- Title: Toward a Geometric Theory of Manifold Untangling
- Title（参考訳）: 多様体アンタングリングの幾何学理論に向けて
- Authors: Xin Li and Shuo Wang
- Abstract要約: 我々は、距離距離計量を人工的に定義することなく、位相空間において非自在な多様体に対するより一般的な解が存在すると推測する。
大域的多様体埋め込みと局所的多様体平坦化の両方の一般的な戦略を提示し、画像、音声、言語データのアンハングリングに関する既存の研究と結びつけた。
- 参考スコア（独自算出の注目度）: 12.229735866373073
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: It has been hypothesized that the ventral stream processing for object
recognition is based on a mechanism called cortically local subspace
untangling. A mathematical abstraction of object recognition by the visual
cortex is how to untangle the manifolds associated with different object
category. Such a manifold untangling problem is closely related to the
celebrated kernel trick in metric space. In this paper, we conjecture that
there is a more general solution to manifold untangling in the topological
space without artificially defining any distance metric. Geometrically, we can
either $embed$ a manifold in a higher dimensional space to promote selectivity
or $flatten$ a manifold to promote tolerance. General strategies of both global
manifold embedding and local manifold flattening are presented and connected
with existing work on the untangling of image, audio, and language data. We
also discuss the implications of untangling the manifold into motor control and
internal representations.
- Abstract（参考訳）: 物体認識のための腹側ストリーム処理は皮質局所部分空間アンタングリングと呼ばれるメカニズムに基づいていると仮定されている。
視覚野による物体認識の数学的抽象化は、異なる対象圏に関連する多様体を解き放つ方法である。
そのような多様体の取り外し問題は、計量空間における有名なカーネルトリックと密接に関連している。
本稿では、距離計量を人工的に定義することなく、位相空間に展開する多様体に対するより一般的な解が存在すると仮定する。
幾何学的には、選択性を促進するために高次元空間の多様体に$embed$を、寛容を促進するために$flatten$をもよい。
大域多様体埋め込みと局所多様体平坦化の両方の一般的な戦略を提示し、画像、音声、言語データのアンタングリングに関する既存の研究と結びつける。
また、多様体を運動制御や内部表現に展開する意義についても論じる。
関連論文リスト
- Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳（メタデータ） (2023-10-30T21:27:53Z) - Shape And Structure Preserving Differential Privacy [70.08490462870144]
正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。
また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
論文 参考訳（メタデータ） (2022-09-21T18:14:38Z) - Turing approximations, toric isometric embeddings & manifold
convolutions [0.0]
任意の位相と次元の多様体に対する畳み込み作用素を定義する。
1938年のアラン・チューリングの結果は、大域的な畳み込みの定義を達成するためにそのようなトーリック等尺的埋め込みアプローチの必要性を浮き彫りにした。
論文 参考訳（メタデータ） (2021-10-05T18:36:16Z) - Statistical Mechanics of Neural Processing of Object Manifolds [3.4809730725241605]
この論文は、物体の神経処理の計算理論の基礎を築いた。
多様体のキャパシティは,有効半径, R_M, 有効次元, D_Mと決定される。
論文 参考訳（メタデータ） (2021-06-01T20:49:14Z) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳（メタデータ） (2021-05-06T17:36:55Z) - Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
適度な高次元と大きなデータセットに適した多様体学習技術。
この手法は、二次超曲面の交点という形で訓練データから学習される。
テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
論文 参考訳（メタデータ） (2021-02-11T18:52:08Z) - 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) - Disentangling by Subspace Diffusion [72.1895236605335]
データ多様体の完全教師なし分解は、多様体の真の計量が知られている場合、可能であることを示す。
我々の研究は、教師なしメートル法学習が可能であるかどうかという問題を減らし、表現学習の幾何学的性質に関する統一的な洞察を提供する。
論文 参考訳（メタデータ） (2020-06-23T13:33:19Z) - Sample complexity and effective dimension for regression on manifolds [13.774258153124205]
ヒルベルト空間法を再現したカーネルを用いた多様体上の回帰理論を考える。
多様体上の滑らかな函数のある空間は、多様体次元に応じて拡大する複雑性を持つ実効有限次元であることが示される。
論文 参考訳（メタデータ） (2020-06-13T14:09:55Z)
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。