論文の概要: Visualizing High-Dimensional Temporal Data Using Direction-Aware t-SNE
- arxiv url: http://arxiv.org/abs/2403.19040v1
- Date: Wed, 27 Mar 2024 22:26:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-29 17:52:05.676634
- Title: Visualizing High-Dimensional Temporal Data Using Direction-Aware t-SNE
- Title（参考訳）: Direction-Aware t-SNE を用いた高次元時間データの可視化
- Authors: Pavlin G. Poličar, Blaž Zupan,
- Abstract要約: 実世界のデータセットは、一時的なコンポーネントを含むか、状態から状態への遷移を伴う。
探索的データ解析では、これらの高次元データセットを二次元マップで表現することができる。
t-SNE や UMAP のような既存の次元還元技術の多くは、データの時間的あるいは関係的な性質を考慮していない。
データの時間的側面を強調したt-SNEの最適化関数における2つの相補的方向対応損失項を提案する。
- 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: Many real-world data sets contain a temporal component or involve transitions from state to state. For exploratory data analysis, we can represent these high-dimensional data sets in two-dimensional maps, using embeddings of the data objects under exploration and representing their temporal relationships with directed edges. Most existing dimensionality reduction techniques, such as t-SNE and UMAP, do not take into account the temporal or relational nature of the data when constructing the embeddings, resulting in temporally cluttered visualizations that obscure potentially interesting patterns. To address this problem, we propose two complementary, direction-aware loss terms in the optimization function of t-SNE that emphasize the temporal aspects of the data, guiding the optimization and the resulting embedding to reveal temporal patterns that might otherwise go unnoticed. The Directional Coherence Loss (DCL) encourages nearby arrows connecting two adjacent time series points to point in the same direction, while the Edge Length Loss (ELL) penalizes arrows - which effectively represent time gaps in the visualized embedding - based on their length. Both loss terms are differentiable and can be easily incorporated into existing dimensionality reduction techniques. By promoting local directionality of the directed edges, our procedure produces more temporally meaningful and less cluttered visualizations. We demonstrate the effectiveness of our approach on a toy dataset and two real-world datasets.
- Abstract（参考訳）: 多くの実世界のデータセットは、時間成分を含むか、状態から状態への遷移を含む。
探索的データ解析では、これらの高次元データセットを2次元マップで表現することができ、探索中のデータオブジェクトの埋め込みを使用し、その時間的関係を有向エッジで表現することができる。
t-SNE や UMAP のような既存の次元減少技術は、埋め込みを構成する際のデータの時間的あるいは関係的な性質を考慮に入れていない。
この問題に対処するために、t-SNEの最適化関数における2つの相補的な方向対応損失項を提案し、データの時間的側面を強調し、最適化と結果の埋め込みを導出し、それ以外は気づかないかもしれない時間的パターンを明らかにする。
方向コヒーレンス・ロス(DCL)は隣接する2つの時系列点を同じ方向に接続する近傍の矢印を奨励し、エッジ長損失(ELL)は、その長さに基づいて、視覚化された埋め込みにおける時間ギャップを効果的に表現する矢印を罰する。
どちらの損失項も微分可能であり、既存の次元還元技術に容易に組み込むことができる。
有向エッジの局所的な方向性を促進することで,より時間的に意味があり,より散らかった可視化を実現できる。
おもちゃのデータセットと実世界の2つのデータセットに対するアプローチの有効性を実証する。
関連論文リスト
- Ultralow-dimensionality reduction for identifying critical transitions by spatial-temporal PCA [8.474631244771928]
stPCAは、歪みのない単一の潜伏変数によって、高次元の時系列のダイナミクスを表現する。
この単一変数のダイナミクスは解析的に解決され、理論上は元の時系列の時間的特性を保っている。
実世界のデータセットへの応用は、stPCAの有効性を示した。
論文 参考訳（メタデータ） (2025-01-22T02:09:52Z) - Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。
我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。
我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
論文 参考訳（メタデータ） (2024-10-09T11:37:09Z) - Interactive dense pixel visualizations for time series and model attribution explanations [8.24039921933289]
DAVOTSは、生の時系列データ、ニューラルネットワークのアクティベーション、高密度ピクセル可視化における属性を探索する、インタラクティブなビジュアル分析アプローチである。
可視化されたデータドメインにクラスタリングアプローチを適用し、グループをハイライトし、個々のデータ探索と組み合わせたデータ探索のための順序付け戦略を示す。
論文 参考訳（メタデータ） (2024-08-27T14:02:21Z) - Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
移動領域の条件付き連続表現は一般的に用いられる。
本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
論文 参考訳（メタデータ） (2023-07-12T15:34:10Z) - SOM-CPC: Unsupervised Contrastive Learning with Self-Organizing Maps for
Structured Representations of High-Rate Time Series [23.074319429090092]
我々は,高次元情報を保存しながら,組織化された2次元多様体内のデータを可視化するモデルSOM-CPCを提案する。
我々は,SOM-CPCがDLベースの特徴抽出のような強力なベースラインよりも優れている,合成データと実生活データ(生理データとオーディオ記録)の両方について示す。
論文 参考訳（メタデータ） (2022-05-31T15:21:21Z) - A Variational Autoencoder for Heterogeneous Temporal and Longitudinal
Data [0.3749861135832073]
近年,経時的および経時的データを処理可能なVAEの拡張は,医療,行動モデリング,予測保守に応用されている。
本研究では,既存の時間的および縦的VAEをヘテロジニアスデータに拡張するヘテロジニアス縦型VAE(HL-VAE)を提案する。
HL-VAEは高次元データセットに対する効率的な推論を提供し、連続、カウント、カテゴリー、順序データのための可能性モデルを含む。
論文 参考訳（メタデータ） (2022-04-20T10:18:39Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳（メタデータ） (2022-01-26T17:54:14Z) - PIETS: Parallelised Irregularity Encoders for Forecasting with
Heterogeneous Time-Series [5.911865723926626]
マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。
本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。
PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-09-30T20:01:19Z) - Interpretable Time-series Representation Learning With Multi-Level
Disentanglement [56.38489708031278]
Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。
DTSは時系列の解釈可能な表現として階層的意味概念を生成する。
DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
論文 参考訳（メタデータ） (2021-05-17T22:02:24Z) - OR-Net: Pointwise Relational Inference for Data Completion under Partial
Observation [51.083573770706636]
この作業はリレーショナル推論を使って不完全なデータを埋めます。
本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
論文 参考訳（メタデータ） (2021-05-02T06:05:54Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z)
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。