論文の概要: Feature Clock: High-Dimensional Effects in Two-Dimensional Plots

• arxiv url: http://arxiv.org/abs/2408.01294v2
• Date: Tue, 6 Aug 2024 12:24:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 13:18:40.466643
• Title: Feature Clock: High-Dimensional Effects in Two-Dimensional Plots
• Title（参考訳）: 特徴時計:二次元プロットにおける高次元効果
• Authors: Olga Ovcharenko, Rita Sevastjanova, Valentina Boeva,
• Abstract要約: Feature Clockは、これらのkプロットを検査することなく、2次元で表現されたデータ構造に対する元の特徴の影響を把握するための新しいアプローチを提供する。 組み込みデータの視覚化の可視性とコンパクト性を高め、オープンソースのPythonライブラリで利用できる。
• 参考スコア（独自算出の注目度）: 3.5268517409992377
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Humans struggle to perceive and interpret high-dimensional data. Therefore, high-dimensional data are often projected into two dimensions for visualization. Many applications benefit from complex nonlinear dimensionality reduction techniques, but the effects of individual high-dimensional features are hard to explain in the two-dimensional space. Most visualization solutions use multiple two-dimensional plots, each showing the effect of one high-dimensional feature in two dimensions; this approach creates a need for a visual inspection of k plots for a k-dimensional input space. Our solution, Feature Clock, provides a novel approach that eliminates the need to inspect these k plots to grasp the influence of original features on the data structure depicted in two dimensions. Feature Clock enhances the explainability and compactness of visualizations of embedded data and is available in an open-source Python library.
• Abstract（参考訳）: 人間は高次元データを知覚し解釈するのに苦労する。 したがって、高次元データは可視化のために2次元に投影されることが多い。 多くの応用は複素非線形次元減少法の恩恵を受けるが、個々の高次元特徴の影響は二次元空間では説明が難しい。 ほとんどの可視化ソリューションでは、複数の2次元プロットを使用し、それぞれが2次元に1つの高次元特徴の効果を示す。 我々のソリューションであるFeature Clockは、2次元で表現されたデータ構造に対する元の特徴の影響を把握するためにこれらのkプロットを検査する必要がない新しいアプローチを提供する。 Feature Clockは、組み込みデータの視覚化の可視性とコンパクト性を高め、オープンソースのPythonライブラリで利用できる。

関連論文リスト

• Noisy Data Visualization using Functional Data Analysis [14.255424476694946]
  動的プロセスのための関数情報幾何 (FIG) と呼ばれる新しいデータ可視化手法を提案する。 提案手法は,可視化のために設計されたEIGの変種よりも優れていることを示す。 次に、脳波による睡眠活動の測定を可視化するために、我々の手法を使用します。
  論文  参考訳（メタデータ） (2024-06-05T15:53:25Z)
• N2F2: Hierarchical Scene Understanding with Nested Neural Feature Fields [112.02885337510716]
  Nested Neural Feature Fields (N2F2)は、階層的な監視を用いて単一機能フィールドを学習する新しいアプローチである。 画像空間の任意のスケールで意味的に意味のある画素群を提供するために、2次元クラス非依存セグメンテーションモデルを利用する。 オープンな3次元セグメンテーションやローカライゼーションといったタスクにおいて,最先端のフィールド蒸留法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-16T18:50:44Z)
• Parametric Depth Based Feature Representation Learning for Object Detection and Segmentation in Bird's Eye View [44.78243406441798]
  本稿では,このような特徴変換をモデル化するために,深度などの幾何学的情報を活用することに焦点を当てる。 まず2次元画像の特徴を,各ビューの画素ごとのパラメトリック深度分布を予測して,エゴ車に定義された3次元空間に引き上げる。 次に、深度からBEVフレームへの3次元空間占有度に基づいて、3次元特徴体積を集約する。
  論文  参考訳（メタデータ） (2023-07-09T06:07:22Z)
• ShaRP: Shape-Regularized Multidimensional Projections [71.30697308446064]
  本稿では,生成した散布板の視覚的シグネチャをユーザが明示的に制御できる新しいプロジェクション技術,ShaRPを提案する。 ShaRPは次元とデータセットサイズによく対応し、任意の定量的データセットを汎用的に処理する。
  論文  参考訳（メタデータ） (2023-06-01T11:16:58Z)
• A Lite Fireworks Algorithm with Fractal Dimension Constraint for Feature Selection [4.526526943108398]
  特徴選択のためのフラクタル次元制約付きライトファイアワークアルゴリズム(LFWA+FD)を提案する。 LFWA+FD」は, 花火アルゴリズムを単純化し, フラクタル次元で選択した特徴の次元を制約することで, 理想的な特徴部分集合を探索することに焦点を当てている。 提案手法は,モデル推論に有用な特徴のサブセットを効果的に選択し,元のデータに存在する大量のノイズを除去し,性能を向上させる。
  論文  参考訳（メタデータ） (2023-03-09T01:52:54Z)
• In search of the most efficient and memory-saving visualization of high dimensional data [0.0]
  多次元データの可視化は、非次元近傍グラフの2方向埋め込みをよく近似していると論じる。 既存のリダクション手法は遅すぎるため、インタラクティブな操作ができない。 高品質な埋め込みは、最小限の時間とメモリの複雑さで生成されることを示す。
  論文  参考訳（メタデータ） (2023-02-27T20:56:13Z)
• UnProjection: Leveraging Inverse-Projections for Visual Analytics of High-Dimensional Data [63.74032987144699]
  提案するNNInvは,プロジェクションやマッピングの逆を近似する深層学習技術である。 NNInvは、2次元投影空間上の任意の点から高次元データを再構成することを学び、ユーザーは視覚分析システムで学習した高次元表現と対話することができる。
  論文  参考訳（メタデータ） (2021-11-02T17:11:57Z)
• 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)
• Multi-point dimensionality reduction to improve projection layout reliability [77.34726150561087]
  通常の次元還元(dr)では、m-次元空間(原空間)の各データインスタンスは、d-次元空間(視覚空間)内の一点にマッピングされる。 当社のソリューションであるRed Gray Plusは、通常のDRとグラフ描画技術を組み合わせて構築され、拡張されています。
  論文  参考訳（メタデータ） (2021-01-15T17:17:02Z)
• Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion [53.885984328273686]
  Implicit Feature Networks (IF-Nets) は連続的な出力を提供し、複数のトポロジを扱える。 IF-NetsはShapeNetにおける3次元オブジェクト再構成における先行作業よりも明らかに優れており、より正確な3次元人間の再構成が得られる。
  論文  参考訳（メタデータ） (2020-03-03T11:14:29Z)

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。