論文の概要: Uncovering Temporal Patterns in Visualizations of High-Dimensional Data

• arxiv url: http://arxiv.org/abs/2403.19040v2
• Date: Sat, 14 Dec 2024 13:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:49:17.019304
• Title: Uncovering Temporal Patterns in Visualizations of High-Dimensional Data
• Title（参考訳）: 高次元データの可視化における時間パターンの発見
• Authors: Pavlin G. Poličar, Blaž Zupan,
• Abstract要約: このようなデータを探索するための重要なアプローチは次元の減少であり、視覚的な探索を可能にするために2次元に高次元データを埋め込む。 本稿では,2つの時間的損失項を組み込んだ既存の次元減少手法の形式的拡張を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: With the increasing availability of high-dimensional data, analysts often rely on exploratory data analysis to understand complex data sets. A key approach to exploring such data is dimensionality reduction, which embeds high-dimensional data in two dimensions to enable visual exploration. However, popular embedding techniques, such as t-SNE and UMAP, typically assume that data points are independent. When this assumption is violated, as in time-series data, the resulting visualizations may fail to reveal important temporal patterns and trends. To address this, we propose a formal extension to existing dimensionality reduction methods that incorporates two temporal loss terms that explicitly highlight temporal progression in the embedded visualizations. Through a series of experiments on both synthetic and real-world datasets, we demonstrate that our approach effectively uncovers temporal patterns and improves the interpretability of the visualizations. Furthermore, the method improves temporal coherence while preserving the fidelity of the embeddings, providing a robust tool for dynamic data analysis.
• Abstract（参考訳）: 高次元データの可用性が高まっているため、アナリストは複雑なデータセットを理解するために探索的なデータ分析に依存することが多い。 このようなデータを探索するための重要なアプローチは次元の減少であり、視覚的な探索を可能にするために2次元に高次元データを埋め込む。 しかし、t-SNE や UMAP のような一般的な埋め込み技術は、一般的にデータポイントが独立であると仮定する。 この仮定が時系列データのように破られた場合、結果の可視化は重要な時間的パターンや傾向を明らかにするのに失敗する可能性がある。 そこで本研究では,2つの時間的損失項を組み込んだ既存の次元減少手法の形式的拡張を提案する。 合成と実世界の両方のデータセットに関する一連の実験を通して、我々のアプローチが時間的パターンを効果的に発見し、可視化の解釈可能性を改善することを実証した。 さらに、埋め込みの忠実さを保ちながら時間的コヒーレンスを改善し、動的データ解析のための堅牢なツールを提供する。

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。