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
- 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。