論文の概要: GT-PCA: Effective and Interpretable Dimensionality Reduction with
General Transform-Invariant Principal Component Analysis
- arxiv url: http://arxiv.org/abs/2401.15623v1
- Date: Sun, 28 Jan 2024 10:29:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 17:12:28.873942
- Title: GT-PCA: Effective and Interpretable Dimensionality Reduction with
General Transform-Invariant Principal Component Analysis
- Title（参考訳）: GT-PCA:一般変換不変主成分分析による有効かつ解釈可能な次元化
- Authors: Florian Heinrichs
- Abstract要約: 汎用変換不変主成分分析 (GT-PCA) をPCAとオートエンコーダの効率よく解釈可能な代替として導入する。
GT-PCAは, 合成および実データに基づく実験において, 代替手法よりも有意に優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data analysis often requires methods that are invariant with respect to
specific transformations, such as rotations in case of images or shifts in case
of images and time series. While principal component analysis (PCA) is a
widely-used dimension reduction technique, it lacks robustness with respect to
these transformations. Modern alternatives, such as autoencoders, can be
invariant with respect to specific transformations but are generally not
interpretable. We introduce General Transform-Invariant Principal Component
Analysis (GT-PCA) as an effective and interpretable alternative to PCA and
autoencoders. We propose a neural network that efficiently estimates the
components and show that GT-PCA significantly outperforms alternative methods
in experiments based on synthetic and real data.
- Abstract（参考訳）: データ分析は、画像の場合の回転や、画像や時系列の場合のシフトなど、特定の変換に関して不変な手法を必要とすることが多い。
主成分分析(PCA)は広く使われている次元低減手法であるが,これらの変換に対する堅牢性は欠如している。
オートエンコーダのような現代の代替品は、特定の変換に関して不変であるが、一般に解釈できない。
汎用変換不変主成分分析 (GT-PCA) をPCAとオートエンコーダの効果的な代替として導入する。
本稿では,GT-PCAが合成および実データに基づく実験において,効率よく成分を推定するニューラルネットワークを提案する。
関連論文リスト
- Variable-size Symmetry-based Graph Fourier Transforms for image compression [65.7352685872625]
可変サイズのグラフフーリエ変換を符号化フレームワークに導入する。
提案アルゴリズムは,ノード間の特定の対称接続を追加することにより,グリッド上の対称グラフを生成する。
実験により、SBGFTは、明示的な多重変換選択に統合された一次変換よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-11-24T13:00:44Z) - Bayesian tomography using polynomial chaos expansion and deep generative
networks [0.0]
可変オートエンコーダ(VAE)の優れた再構成性能とPCA-PCEサロゲートモデリングの精度を組み合わせた戦略を提案する。
MCMCプロセス内では、VOEのパラメトリゼーションが事前の探査とサンプル提案に利用される。
論文 参考訳（メタデータ） (2023-07-09T16:44:37Z) - Regularized Multivariate Functional Principal Component Analysis [3.4238565157486187]
本稿では,プライマリコンポーネントの粗さ制御の問題に対処するため,Realized theCA (ReCA) と呼ばれる新しいアプローチを提案する。
提案手法は多変量関数型PCを生成し,データの簡潔かつ解釈可能な表現を提供する。
論文 参考訳（メタデータ） (2023-06-24T14:22:25Z) - Adversarial and Random Transformations for Robust Domain Adaptation and
Generalization [9.995765847080596]
ランダムデータ拡張による整合性トレーニングを単純に適用することで、ドメイン適応(DA)と一般化(DG)の最先端結果が得られることを示す。
逆変換とランダム変換を組み合わせた手法は、複数のDAおよびDGベンチマークデータセット上で最先端の手法より優れている。
論文 参考訳（メタデータ） (2022-11-13T02:10:13Z) - ParGAN: Learning Real Parametrizable Transformations [50.51405390150066]
本稿では、画像変換学習のためのサイクル一貫性GANフレームワークの一般化であるParGANを提案する。
提案したジェネレータは、画像と変換のパラメトリゼーションの両方を入力とする。
注釈付きパラメトリゼーションを伴わない不整合画像領域では、このフレームワークはスムーズな生成が可能であり、同時に複数の変換を学習できることを示す。
論文 参考訳（メタデータ） (2022-11-09T16:16:06Z) - Numerical Optimizations for Weighted Low-rank Estimation on Language
Model [73.12941276331316]
Singular value decomposition (SVD) は、より小さい行列でターゲット行列を近似する最も一般的な圧縮手法の1つである。
標準SVDは行列内のパラメータを同じ重要性で扱うが、これは単純だが非現実的な仮定である。
本手法は,ニューラルベース言語モデルにおいて,現在のSOTA法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-02T00:58:02Z) - Test-Time Adaptation with Principal Component Analysis [1.0323063834827415]
主成分分析を用いたテスト時間適応法(TTAwPCA)を提案する。
与えられた層の出力は、主成分分析(PCA)を使用しており、その特異値のペナル化によってフィルタリングされ、PCA逆変換で再構成される。
CIFAR-10-CとCIFAR-100-Cの実験により,本手法の有効性と限界が示された。
論文 参考訳（メタデータ） (2022-09-13T07:24:40Z) - Revisiting Transformation Invariant Geometric Deep Learning: Are Initial
Representations All You Need? [80.86819657126041]
変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。
具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。
我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
論文 参考訳（メタデータ） (2021-12-23T03:52:33Z) - Quantitative Understanding of VAE as a Non-linearly Scaled Isometric
Embedding [52.48298164494608]
変分オートエンコーダ(VAE)は、各入力データに対応する潜伏変数の後方パラメータを推定する。
本稿では,VAEの微分幾何学的および情報理論的解釈を通じて,VAEの特性を定量的に理解する。
論文 参考訳（メタデータ） (2020-07-30T02:37:46Z) - A Compact Spectral Descriptor for Shape Deformations [0.8268443804509721]
本研究では, 応力下での塑性変形挙動のパラメータ化手法を提案する。
既存のパラメータ化は計算解析を比較的単純な変形に制限する。
本稿では,スペクトルメッシュ処理に基づく変形挙動のコンパクト記述子を導出する手法を提案する。
論文 参考訳（メタデータ） (2020-03-10T10:34:30Z) - On Compositions of Transformations in Contrastive Self-Supervised
Learning [66.15514035861048]
本稿では,コントラスト学習をより広範な変換集合に一般化する。
特定の変換に不変であり、他の変換に特有であることは、効果的なビデオ表現の学習に不可欠である。
論文 参考訳（メタデータ） (2020-03-09T17:56:49Z)
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。