論文の概要: A General Framework for Visualizing Embedding Spaces of Neural Survival Analysis Models Based on Angular Information

• arxiv url: http://arxiv.org/abs/2305.06862v1
• Date: Thu, 11 May 2023 15:01:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 14:22:19.882257
• Title: A General Framework for Visualizing Embedding Spaces of Neural Survival Analysis Models Based on Angular Information
• Title（参考訳）: Angular情報に基づくニューラルサバイバル解析モデルの埋め込み空間の可視化のための一般フレームワーク
• Authors: George H. Chen
• Abstract要約: 我々のフレームワークは、埋め込み空間におけるいわゆるアンカー方向に基づいている。 クラスタリングや,あるいはユーザが提供する"概念"を使って,これらのアンカー方向を推定する方法を示す。 この損失が、視覚化に現れる“ジャンピング”アーティファクトにどのように影響するか、そして、実際にこの情報損失を減らす方法を示す。
• 参考スコア（独自算出の注目度）: 8.75682288556859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a general framework for visualizing any intermediate embedding representation used by any neural survival analysis model. Our framework is based on so-called anchor directions in an embedding space. We show how to estimate these anchor directions using clustering or, alternatively, using user-supplied "concepts" defined by collections of raw inputs (e.g., feature vectors all from female patients could encode the concept "female"). For tabular data, we present visualization strategies that reveal how anchor directions relate to raw clinical features and to survival time distributions. We then show how these visualization ideas extend to handling raw inputs that are images. Our framework is built on looking at angles between vectors in an embedding space, where there could be "information loss" by ignoring magnitude information. We show how this loss results in a "clumping" artifact that appears in our visualizations, and how to reduce this information loss in practice.
• Abstract（参考訳）: 神経生存解析モデルで使用される中間埋め込み表現を可視化するための汎用フレームワークを提案する。 我々のフレームワークは、埋め込み空間におけるいわゆるアンカー方向に基づいている。 本稿では,これらのアンカー方向をクラスタリングを用いて推定するか,あるいは生の入力の集合によって定義されたユーザが提供する"概念"を用いて推定する方法を示す。 表表データでは,アンカー方向が生臨床特徴と生存時間分布にどのように関係しているかを可視化する。 次に、画像である生の入力を処理するために、これらの可視化アイデアがどのように拡張されるかを示す。 我々のフレームワークは、ベクトル間の角度を埋め込み空間で見ることに基づいており、そこではマグニチュード情報を無視して「情報損失」が発生する可能性がある。 この損失が、視覚化に現れる“ジャンピング”アーティファクトにどのように影響するか、そして、実際にこの情報損失を減らす方法を示す。

関連論文リスト

• SEGA: Structural Entropy Guided Anchor View for Graph Contrastive Learning [12.783251612977299]
  対照的に、ビューの選択は表現が捉えた情報を制御し、モデルの性能に影響を与える。 コントラスト学習のための入力グラフの本質的情報を維持するアンカービューはほとんど研究されていない。 我々は,教師なし,半教師なし,移動学習に基づくグラフ分類に関する様々なベンチマークにおいて,提案するアンカービューを広範囲に検証した。
  論文  参考訳（メタデータ） (2023-05-08T06:52:02Z)
• Unsupervised Interpretable Basis Extraction for Concept-Based Visual Explanations [53.973055975918655]
  提案手法を用いて抽出したベースに変換すると,中間層表現がより解釈可能であることを示す。 提案手法は,提案手法を教師付きアプローチから抽出したベースと,教師付き手法から抽出したベースを比較した結果,教師なし手法は教師付き手法の限界を構成する強みを有し,今後の研究の方向性を示す。
  論文  参考訳（メタデータ） (2023-03-19T00:37:19Z)
• ARO-Net: Learning Implicit Fields from Anchored Radial Observations [25.703496065476067]
  3次元形状の暗黙的場表現を学習するための新しい形状符号化であるアンカードラジアル観測(ARO)を導入する。 固定されたアンカーの集合を用いて、フィボナッチサンプリングを行い、座標に基づくディープニューラルネットワークを設計することにより、汎用的で統一された形状表現を開発する。 ARO-Netと命名されたネットワークの質と汎用性を,スパース点雲から表面再構成した上で実証する。
  論文  参考訳（メタデータ） (2022-12-19T16:29:20Z)
• Self-Supervised Visual Representation Learning with Semantic Grouping [50.14703605659837]
  我々は、未ラベルのシーン中心のデータから視覚表現を学習する問題に取り組む。 本研究では,データ駆動型セマンティックスロット,すなわちSlotConによる協調型セマンティックグルーピングと表現学習のためのコントラスト学習を提案する。
  論文  参考訳（メタデータ） (2022-05-30T17:50:59Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Self-supervised Segmentation via Background Inpainting [96.10971980098196]
  移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。 我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T08:34:40Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)
• Quiver Signal Processing (QSP) [145.6921439353007]
  キーバー表現に関する信号処理フレームワークの基礎を述べる。 ネットワークにおける異種多次元情報を扱うための信号処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-22T08:40:15Z)

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。