論文の概要: Discrete transforms of quantized persistence diagrams
- arxiv url: http://arxiv.org/abs/2312.17093v3
- Date: Mon, 21 Oct 2024 10:50:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:11:30.268803
- Title: Discrete transforms of quantized persistence diagrams
- Title(参考訳): 量子化された永続図の離散変換
- Authors: Michael Etienne Van Huffel, Olympio Hacquard, Vadim Lebovici, Matteo Palo,
- Abstract要約: 永続化ダイアグラムをベクトル化する新奇でシンプルな方法Qupidを紹介する。
主要な特徴は、永続化ダイアグラムの対角線付近に含まれる情報を強調するログスケールグリッドの選択である。
我々はQupidの詳細な実験分析を行い、本手法の単純さは計算コストを極端に低くすることを示した。
- 参考スコア(独自算出の注目度): 0.5249805590164902
- License:
- Abstract: Topological data analysis leverages topological features to analyze datasets, with applications in diverse fields like medical sciences and biology. A key tool of this theory is the persistence diagram, which encodes topological information but poses challenges for integration into standard machine learning pipelines. We introduce Qupid (QUantized Persistence and Integral transforms of Diagrams), a novel and simple method for vectorizing persistence diagrams. First, Qupid uses a binning procedure to turn persistence diagrams into finite measures on a grid and then applies discrete transforms to these measures. Key features are the choice of log-scaled grids that emphasize information contained near the diagonal in persistence diagrams, combined with the use of discrete transforms to enhance and efficiently encode the obtained topological information. We conduct an in-depth experimental analysis of Qupid, showing that the simplicity of our method results in very low computational costs while preserving highly competitive performances compared to state-of-the-art methods across numerous classification tasks on both synthetic and real-world datasets. Finally, we provide experimental evidence that our method is robust to a decrease in the grid resolution used.
- Abstract(参考訳): トポロジカルデータ分析は、トポロジカルな特徴を活用してデータセットを分析し、医学や生物学などの様々な分野に応用する。
この理論の主要なツールは永続化図であり、トポロジ情報をエンコードするが、標準的な機械学習パイプラインに統合する上での課題を提起する。
永続図をベクトル化する新しい方法Qupid (QUantized Persistence and Integral transforms of Diagrams)を紹介する。
第一に、Qupidはビンニング法を用いて、永続図形をグリッド上の有限測度に変換し、これらの測度に離散変換を適用する。
鍵となる特徴は、永続ダイアグラムの対角線付近に含まれる情報を強調するログスケールグリッドの選択である。
我々はQupidの詳細な実験分析を行い、本手法の単純さは計算コストを極めて低く抑えながら、合成および実世界のデータセット上の多数の分類タスクにおける最先端の手法と比較して高い競争性能を保っていることを示した。
最後に,本手法がグリッド分解能の低下に対して頑健であることを示す実験的な証拠を提供する。
関連論文リスト
- A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳(メタデータ) (2024-06-19T22:30:08Z) - Few-Shot Learning on Graphs: from Meta-learning to Pre-training and
Prompting [56.25730255038747]
この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。
我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。
これらの手法間の関係を解析し,その強みと限界を比較する。
論文 参考訳(メタデータ) (2024-02-02T14:32:42Z) - Location Sensitive Embedding for Knowledge Graph Reasoning [0.0]
翻訳距離モデルの主な課題は、グラフ内の「頭部」と「尾」の実体を効果的に区別できないことである。
この問題に対処するため,新しい位置感応型埋め込み法 (LSE) を開発した。
LSEは、リレーショナルなマッピングを使用してヘッダーを革新的に修正し、リレーショナルトランスフォーメーションを単なる翻訳よりもリレーショナルトランスフォーメーションとして概念化する。
リンク予測のための4つの大規模KGデータセットで実施された実験では、LSEdは性能が優れているか、最先端の関連作品と競合している。
論文 参考訳(メタデータ) (2023-12-01T22:35:19Z) - Enhancing Explainability in Mobility Data Science through a combination
of methods [0.08192907805418582]
本稿では,重要なXAI技法を調和させる包括的フレームワークを提案する。
LIME Interpretable Model-a-gnostic Explanations, SHAP, Saliency Map, attention mechanism, direct trajectory Visualization, and Permutation Feature (PFI)
本研究の枠組みを検証するため,様々な利用者の嗜好や受容度を評価する調査を行った。
論文 参考訳(メタデータ) (2023-12-01T07:09:21Z) - Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。
本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。
この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
論文 参考訳(メタデータ) (2022-05-31T12:24:01Z) - A Novel Approach to Topological Graph Theory with R-K Diagrams and
Gravitational Wave Analysis [0.0]
本稿では,グラフとトポロジカルデータ分析のスムーズな遷移のために,データポイント間のベクトル化関連を符号化する新しい手法を提案する。
このようなベクトル化された関連を、位相空間内のミクロ状態を表す単純複体に変換する効果的な方法が決定的に明らかにされる。
本手法の有効性と効果は,LIGO Open Science Centreが発行したLIGOデータセットから得られた重力波データの高次元的生測および導出測度について実験的に検証した。
論文 参考訳(メタデータ) (2021-12-14T17:18:53Z) - From Canonical Correlation Analysis to Self-supervised Graph Neural
Networks [99.44881722969046]
本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。
古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。
提案手法は、7つの公開グラフデータセット上で競合的に動作する。
論文 参考訳(メタデータ) (2021-06-23T15:55:47Z) - Transforming Feature Space to Interpret Machine Learning Models [91.62936410696409]
この貢献は、特徴空間変換のレンズを通して機械学習モデルを解釈する新しいアプローチを提案する。
非条件的および条件付きポストホック診断ツールの拡張に使用できる。
提案手法の可能性を実証するために,46特徴のリモートセンシング土地被覆分類の事例研究を行った。
論文 参考訳(メタデータ) (2021-04-09T10:48:11Z) - Exploring Complementary Strengths of Invariant and Equivariant
Representations for Few-Shot Learning [96.75889543560497]
多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。
少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。
幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
論文 参考訳(メタデータ) (2021-03-01T21:14:33Z) - Understanding the Mechanics of SPIGOT: Surrogate Gradients for Latent
Structure Learning [20.506232306308977]
潜在構造モデルは、言語データをモデリングするための強力なツールである。
これらのモデルのエンドツーエンドトレーニングの課題の1つは、ヌル勾配を持つargmax演算である。
下流学習目標を引き上げる角度から潜在構造学習を探索する。
論文 参考訳(メタデータ) (2020-10-05T21:56:00Z) - Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。
その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2020-07-08T08:48:56Z)
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。