Fugu-MT 論文翻訳(概要): A Metric-based Principal Curve Approach for Learning One-dimensional Manifold

論文の概要: A Metric-based Principal Curve Approach for Learning One-dimensional Manifold

arxiv url: http://arxiv.org/abs/2405.12390v2
Date: Wed, 28 Aug 2024 13:48:07 GMT
ステータス: 処理完了
システム内更新日: 2024-08-29 20:49:20.235473
Title: A Metric-based Principal Curve Approach for Learning One-dimensional Manifold
Title（参考訳）: 1次元マニフォールド学習のためのメートル法に基づく主曲線法
Authors: Elvis Han Cui,
Abstract要約: 空間データの1次元多様体を学習する新しい計量ベース主曲線(MPC)法を提案する。 MNISTデータセットを用いた実応用により,本手法は形状の観点から一次元多様体をよく学習できることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Principal curve is a well-known statistical method oriented in manifold learning using concepts from differential geometry. In this paper, we propose a novel metric-based principal curve (MPC) method that learns one-dimensional manifold of spatial data. Synthetic datasets Real applications using MNIST dataset show that our method can learn the one-dimensional manifold well in terms of the shape.
Abstract（参考訳）: 主曲線(英: principal curve)は、微分幾何学の概念を用いた多様体学習を指向したよく知られた統計手法である。本稿では,空間データの1次元多様体を学習する新しい計量ベース主曲線(MPC)法を提案する。合成データセット MNISTデータセットを用いた実応用により,本手法は形状の観点から一次元多様体をよく学習できることを示す。

関連論文リスト

Score-based pullback Riemannian geometry [10.649159213723106]
本稿では,データ駆動型リーマン幾何学のフレームワークを提案する。データサポートを通して高品質な測地学を作成し、データ多様体の固有次元を確実に推定する。我々のフレームワークは、訓練中に等方性正規化を採用することで、自然に異方性正規化フローで使用することができる。
論文参考訳（メタデータ） (2024-10-02T18:52:12Z)
Isometric Immersion Learning with Riemannian Geometry [4.987314374901577]
等尺性の理論的な保証を提供する多様体学習方法はまだ存在しない。ナッシュの等尺定理に触発され、等尺浸漬学習と呼ばれる新しい概念を導入する。計量学習と多様体学習を同時に行う教師なしニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2024-09-23T07:17:06Z)
The Fisher-Rao geometry of CES distributions [50.50897590847961]
Fisher-Rao情報幾何学は、ツールを微分幾何学から活用することができる。楕円分布の枠組みにおけるこれらの幾何学的ツールの実用的利用について述べる。
論文参考訳（メタデータ） (2023-10-02T09:23:32Z)
A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文参考訳（メタデータ） (2023-05-30T13:58:50Z)
Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
論文参考訳（メタデータ） (2022-11-07T14:52:58Z)
Riemannian Metric Learning via Optimal Transport [34.557360177483595]
進化する確率測度の断面サンプルからメトリックを学習するための最適輸送ベースモデルを提案する。本手法を用いて学習したメトリクスは,cRNAと鳥の移動データに基づく軌道推定の精度を向上させる。
論文参考訳（メタデータ） (2022-05-18T23:32:20Z)
Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文参考訳（メタデータ） (2021-06-14T17:19:44Z)
A prior-based approximate latent Riemannian metric [3.716965622352967]
本研究では,単純かつ効率的かつ堅牢な生成モデルの潜在空間におけるサーロゲート共形生成メトリックを提案する。提案する計量の挙動を理論的に解析し,実際に使用することは理にかなっていることを示す。また,提案手法を生命科学におけるデータ分析に適用する可能性を示す。
論文参考訳（メタデータ） (2021-03-09T08:31:52Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
Probabilistic Learning Vector Quantization on Manifold of Symmetric Positive Definite Matrices [3.727361969017079]
本研究では,確率論的学習ベクトル量子化の枠組みにおける多様体値データの新しい分類法を開発した。本稿では,対称正定値行列の多様体上に存在するデータ点に対する確率論的学習ベクトル量子化アルゴリズムを一般化する。合成データ,画像データ,運動画像脳波データに関する実証的研究は,提案手法の優れた性能を示す。
論文参考訳（メタデータ） (2021-02-01T06:58:39Z)
Learning Manifold Implicitly via Explicit Heat-Kernel Learning [63.354671267760516]
そこで,本研究では,熱カーネルを学習することで,多様体情報を暗黙的に取得する,暗黙的多様体学習の概念を提案する。学習した熱カーネルは、データ生成のための深層生成モデル(DGM)やベイズ推論のためのスタイン変分勾配Descentなど、さまざまなカーネルベースの機械学習モデルに適用することができる。
論文参考訳（メタデータ） (2020-10-05T03:39:58Z)

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。