Fugu-MT 論文翻訳(概要): A Wiener process perspective on local intrinsic dimension estimation methods

論文の概要: A Wiener process perspective on local intrinsic dimension estimation methods

arxiv url: http://arxiv.org/abs/2406.17125v1
Date: Mon, 24 Jun 2024 20:27:13 GMT
ステータス: 処理完了
システム内更新日: 2024-06-26 18:21:22.722728
Title: A Wiener process perspective on local intrinsic dimension estimation methods
Title（参考訳）: 局所固有次元推定法におけるウィナー過程の視点
Authors: Piotr Tempczyk, Łukasz Garncarek, Dominik Filipiak, Adam Kurpisz,
Abstract要約: 近年,深層ニューラルネットワークと生成モデリングの進歩により,局所内在性(LID)推定法が注目されている。本稿では、Wiener プロセスの観点から、最近の最先端パラメトリック LID 推定手法について検討する。
参考スコア（独自算出の注目度）: 1.6988007266875604
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Local intrinsic dimension (LID) estimation methods have received a lot of attention in recent years thanks to the progress in deep neural networks and generative modeling. In opposition to old non-parametric methods, new methods use generative models to approximate diffused dataset density and scale the methods to high-dimensional datasets like images. In this paper, we investigate the recent state-of-the-art parametric LID estimation methods from the perspective of the Wiener process. We explore how these methods behave when their assumptions are not met. We give an extended mathematical description of those methods and their error as a function of the probability density of the data.
Abstract（参考訳）: 近年,深層ニューラルネットワークの進展と生成モデルにより,局所固有次元(LID)推定法が注目されている。従来の非パラメトリック手法とは対照的に、新しい手法では生成モデルを用いて拡散データセット密度を近似し、画像のような高次元データセットに拡張する。本稿では、Wiener プロセスの観点から、最近の最先端パラメトリック LID 推定手法について検討する。仮定が満たされていない場合、これらのメソッドがどのように振る舞うかを考察する。それらの手法の数学的記述とそれらの誤差を,データの確率密度関数として拡張した数学的記述を与える。

関連論文リスト

You are out of context! [0.0]
新しいデータは、モデルによって学習された幾何学的関係を伸ばしたり、圧縮したり、ねじったりする力として振る舞うことができる。本稿では,ベクトル空間表現における「変形」の概念に基づく機械学習モデルのための新しいドリフト検出手法を提案する。
論文参考訳（メタデータ） (2024-11-04T10:17:43Z)
Latent Anomaly Detection Through Density Matrices [3.843839245375552]
本稿では,密度推定に基づく異常検出手法の頑健な統計的原理と深層学習モデルの表現学習能力を組み合わせた,新しい異常検出フレームワークを提案する。このフレームワークから派生した手法は、浅いアプローチと、データの低次元表現を学習するためにオートエンコーダを統合するディープアプローチの2つの異なるバージョンで示される。
論文参考訳（メタデータ） (2024-08-14T15:44:51Z)
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)
Bayesian Beta-Bernoulli Process Sparse Coding with Deep Neural Networks [11.937283219047984]
深部離散潜在変数モデルに対して近似的推論法が提案されている。このような深層モデルの離散潜在表現を学習するための非パラメトリック反復アルゴリズムを提案する。提案手法は,異なる特徴を持つデータセット間で評価し,その結果を現在の補正近似推定法と比較する。
論文参考訳（メタデータ） (2023-03-14T20:50:12Z)
LEAN-DMKDE: Quantum Latent Density Estimation for Anomaly Detection [0.0]
この方法は、データの低次元表現を学習するためのオートエンコーダと密度推定モデルを組み合わせる。本手法は, 推定密度に基づいて, 新しい試料の正規度を推定する。実験結果から,本手法が他の最先端手法と同等あるいは同等に動作することを示す。
論文参考訳（メタデータ） (2022-11-15T21:51:42Z)
LIDL: Local Intrinsic Dimension Estimation Using Approximate Likelihood [10.35315334180936]
この問題に対する新しいアプローチを提案する: 近似的類似度(LIDL)を用いた局所固有次元推定本手法は, 任意の密度推定法をサブルーチンとして用い, 次元の挑戦をサイドステップしようと試みる。 LIDLは,この問題の標準ベンチマークで競合する結果を得るとともに,数千次元まで拡張可能であることを示す。
論文参考訳（メタデータ） (2022-06-29T19:47:46Z)
Manifold Hypothesis in Data Analysis: Double Geometrically-Probabilistic Approach to Manifold Dimension Estimation [92.81218653234669]
本稿では, 多様体仮説の検証と基礎となる多様体次元推定に対する新しいアプローチを提案する。我々の幾何学的手法はミンコフスキー次元計算のためのよく知られたボックスカウントアルゴリズムのスパースデータの修正である。実データセットの実験では、2つの手法の組み合わせに基づく提案されたアプローチが強力で効果的であることが示されている。
論文参考訳（メタデータ） (2021-07-08T15:35:54Z)
On Contrastive Representations of Stochastic Processes [53.21653429290478]
プロセスの表現を学習することは、機械学習の新たな問題である。本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
論文参考訳（メタデータ） (2021-06-18T11:00:24Z)
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)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文参考訳（メタデータ） (2020-06-05T20:54:11Z)

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。