論文の概要: Image Classification using Combination of Topological Features and
Neural Networks
- arxiv url: http://arxiv.org/abs/2311.06375v1
- Date: Fri, 10 Nov 2023 20:05:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 19:00:02.910388
- Title: Image Classification using Combination of Topological Features and
Neural Networks
- Title(参考訳): トポロジ的特徴とニューラルネットワークを組み合わせた画像分類
- Authors: Mariana D\'oria Prata Lima, Gilson Antonio Giraldi, Gast\~ao
Flor\^encio Miranda Junior
- Abstract要約: 我々は、データ空間から重要なトポロジ的特徴を抽出するために、永続的ホモロジー法、すなわち、トポロジ的データ解析(TDA)の技法を用いる。
これは、MNISTデータセット内の複数のクラスから画像を分類することを目的として行われた。
提案手法は,1ストリームと2ストリームのニューラルネットワークによって構成されるディープラーニングアプローチにトポロジ的特徴を挿入する。
- 参考スコア(独自算出の注目度): 1.0323063834827417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work we use the persistent homology method, a technique in
topological data analysis (TDA), to extract essential topological features from
the data space and combine them with deep learning features for classification
tasks. In TDA, the concepts of complexes and filtration are building blocks.
Firstly, a filtration is constructed from some complex. Then, persistent
homology classes are computed, and their evolution along the filtration is
visualized through the persistence diagram. Additionally, we applied
vectorization techniques to the persistence diagram to make this topological
information compatible with machine learning algorithms. This was carried out
with the aim of classifying images from multiple classes in the MNIST dataset.
Our approach inserts topological features into deep learning approaches
composed by single and two-streams neural networks architectures based on a
multi-layer perceptron (MLP) and a convolutional neral network (CNN) taylored
for multi-class classification in the MNIST dataset. In our analysis, we
evaluated the obtained results and compared them with the outcomes achieved
through the baselines that are available in the TensorFlow library. The main
conclusion is that topological information may increase neural network accuracy
in multi-class classification tasks with the price of computational complexity
of persistent homology calculation. Up to the best of our knowledge, it is the
first work that combines deep learning features and the combination of
topological features for multi-class classification tasks.
- Abstract(参考訳): 本研究では、トポロジデータ解析(TDA)手法である永続ホモロジー法を用いて、データ空間から重要なトポロジ的特徴を抽出し、それらを分類タスクのためのディープラーニング的特徴と組み合わせる。
TDAでは、錯体と濾過の概念はビルディングブロックである。
まず、濾過はいくつかの複合体から構築される。
そして、永続ホモロジークラスを計算し、そのフィルターに沿った進化を永続図を通して可視化する。
さらに、このトポロジ情報を機械学習アルゴリズムと互換性を持たせるために、ベクトル化手法を永続化ダイアグラムに適用した。
これはmnistデータセットの複数のクラスからイメージを分類することを目的として行われた。
提案手法は,MNISTデータセットのマルチクラス分類のための多層パーセプトロン (MLP) と畳み込み神経ネットワーク (CNN) に基づく,単列および二列ニューラルネットワークアーキテクチャによる深層学習手法にトポロジ的特徴を挿入する。
分析では、得られた結果をTensorFlowライブラリで利用可能なベースラインによって達成された結果と比較した。
主な結論は、トポロジ的情報は、永続的ホモロジー計算の計算複雑性の価格で、多クラス分類タスクにおけるニューラルネットワークの精度を高める可能性があるということである。
私たちの知る限りでは、深層学習機能と多クラス分類タスクのためのトポロジ的特徴の組み合わせを組み合わせた最初の作品です。
関連論文リスト
- On Characterizing the Evolution of Embedding Space of Neural Networks
using Algebraic Topology [9.537910170141467]
特徴埋め込み空間のトポロジがベッチ数を介してよく訓練されたディープニューラルネットワーク(DNN)の層を通過するとき、どのように変化するかを検討する。
深度が増加するにつれて、トポロジカルに複雑なデータセットが単純なデータセットに変換され、ベッチ数はその最小値に達することが示される。
論文 参考訳(メタデータ) (2023-11-08T10:45:12Z) - How Deep Neural Networks Learn Compositional Data: The Random Hierarchy
Model [50.45582596865073]
言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。
深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。
この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
論文 参考訳(メタデータ) (2023-07-05T09:11:09Z) - Topological Learning in Multi-Class Data Sets [0.3050152425444477]
フィードフォワードディープニューラルネットワーク(DNN)の学習におけるトポロジカル複雑度の影響について検討する。
我々は,複数の構築およびオープンソースデータセットに対するトポロジ的分類アルゴリズムの評価を行った。
論文 参考訳(メタデータ) (2023-01-23T21:54:25Z) - Experimental Observations of the Topology of Convolutional Neural
Network Activations [2.4235626091331737]
トポロジカル・データ解析は、複雑な構造のコンパクトでノイズ・ロバストな表現を提供する。
ディープニューラルネットワーク(DNN)は、モデルアーキテクチャによって定義された一連の変換に関連する数百万のパラメータを学習する。
本稿では,画像分類に使用される畳み込みニューラルネットワークの解釈可能性に関する知見を得る目的で,TDAの最先端技術を適用した。
論文 参考訳(メタデータ) (2022-12-01T02:05:44Z) - Rethinking Persistent Homology for Visual Recognition [27.625893409863295]
本稿では,様々な訓練シナリオにおける画像分類におけるトポロジ的特性の有効性を詳細に分析する。
例えば、小さなデータセット上で単純なネットワークをトレーニングするなど、トポロジ的特徴から最も恩恵を受けるシナリオを特定します。
論文 参考訳(メタデータ) (2022-07-09T08:01:11Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳(メタデータ) (2022-03-17T04:34:28Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - Connecting Weighted Automata, Tensor Networks and Recurrent Neural
Networks through Spectral Learning [58.14930566993063]
我々は、形式言語と言語学からの重み付き有限オートマトン(WFA)、機械学習で使用されるリカレントニューラルネットワーク、テンソルネットワークの3つのモデル間の接続を提示する。
本稿では,連続ベクトル入力の列上に定義された線形2-RNNに対する最初の証明可能な学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-19T15:28:00Z) - A Topological Framework for Deep Learning [0.7310043452300736]
機械学習における分類問題は、非常に穏やかな条件下では常に解決可能であることを示す。
特に,ソフトマックス分類ネットワークは,有限列の位相移動によって入力位相空間に作用し,その分類処理を実現する。
論文 参考訳(メタデータ) (2020-08-31T15:56:42Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳(メタデータ) (2020-08-19T04:53:31Z) - Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。
結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
論文 参考訳(メタデータ) (2020-06-22T12:46:44Z)
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。