Fugu-MT 論文翻訳(概要): Visualizing High-Dimensional Temporal Data Using Direction-Aware t-SNE

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

Gaussian Embedding of Temporal Networks [12.09704836128003]
TGNE (textbfTemporal textbfGaussian textbfNetwork textbfEmbedding)は、Latent Space Models (LSM)citeHoff2002および時間グラフ機械学習を介してネットワークの統計解析を橋渡しする。元のグラフを再構成し、不確実性をモデル化するTGNEの有効性を評価する。
論文参考訳（メタデータ） (2024-05-27T15:07:57Z)
Deep Declarative Dynamic Time Warping for End-to-End Learning of Alignment Paths [54.53208538517505]
本稿では、動的時間ワープ(DTW)による時間的アライメントステップを含む時系列データのエンドツーエンド学習モデルについて述べる。そこで我々は,2レベル最適化とDecDTWと呼ばれる深層宣言ネットワークに基づくDTW層を提案する。この特性は、下流損失関数が最適アライメントパス自身で定義されるアプリケーションに特に有用であることを示す。
論文参考訳（メタデータ） (2023-03-19T21:58:37Z)
IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
論文参考訳（メタデータ） (2022-03-22T10:14:08Z)
Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文参考訳（メタデータ） (2022-03-11T09:46:22Z)
Topology-Preserving Dimensionality Reduction via Interleaving Optimization [10.097180927318703]
本稿では, インターリーブ距離を最小化する最適化手法を次元還元アルゴリズムに組み込む方法について述べる。データビジュアライゼーションにおけるこのフレームワークの有用性を実証する。
論文参考訳（メタデータ） (2022-01-31T06:11:17Z)
Decoupling and Recoupling Spatiotemporal Representation for RGB-D-based Motion Recognition [62.46544616232238]
従来の動作認識手法は、密結合した多時間表現によって有望な性能を実現している。本稿では,RGB-D に基づく動作認識において引き起こされた表現を分離し,再分離することを提案する。
論文参考訳（メタデータ） (2021-12-16T18:59:47Z)
Joint Characterization of Spatiotemporal Data Manifolds [0.0]
次元減少 (DR) は、高次元信号の「次元の曲線」を緩和するために設計された特徴量の一種である。近年、非線形DRアルゴリズムが新たに開発され、しばしば「manifold learning」に分類されている。ここでは、これらの3つのDRアプローチが、ST多様体位相に関する相補的な情報を得ることができることを示す。
論文参考訳（メタデータ） (2021-08-21T16:42:22Z)
ST-DETR: Spatio-Temporal Object Traces Attention Detection Transformer [2.4366811507669124]
本研究では,時間的フレーム列からのオブジェクト検出のための時空間変換器アーキテクチャを提案する。両次元にまたがる特徴相関を利用するために, 注意機構をフルに活用する。その結果,KITTI MODデータセットでは5%のmAP改善が見られた。
論文参考訳（メタデータ） (2021-07-13T07:38:08Z)
Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文参考訳（メタデータ） (2021-04-15T14:32:12Z)
Time-aware Graph Embedding: A temporal smoothness and task-oriented approach [9.669206664225234]
本稿では,時間的滑らかさを取り入れたロバストな時間認識グラフ埋め込み(RTGE)手法を提案する。まず、RTGEは時間認識グラフ埋め込みの学習過程における時間的滑らかさの尺度を統合する。第2に、RTGEは時間的情報に関連する一般的なタスク指向のネガティブサンプリング戦略を提供する。
論文参考訳（メタデータ） (2020-07-22T02:20:25Z)
Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。