論文の概要: "Normalized Stress" is Not Normalized: How to Interpret Stress Correctly
- arxiv url: http://arxiv.org/abs/2408.07724v1
- Date: Wed, 14 Aug 2024 13:42:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-16 15:59:30.710692
- Title: "Normalized Stress" is Not Normalized: How to Interpret Stress Correctly
- Title(参考訳): 正規化ストレス」は正規化されていない--ストレスを正しく解釈する方法
- Authors: Kiran Smelser, Jacob Miller, Stephen Kobourov,
- Abstract要約: 応力は、高次元データの次元縮小投影に対して最もよく用いられる品質指標と最適化基準の1つである。
最も一般的に用いられる指標の1つ、正規化された応力は、投影に関する意味的な変化がないにもかかわらず、射影の均一なスケーリングに敏感である。
正規化応力スケールを不変にするための簡単な手法を導入し、小さなベンチマークで予測された振る舞いを正確に捉えていることを示す。
- 参考スコア(独自算出の注目度): 0.4915744683251151
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stress is among the most commonly employed quality metrics and optimization criteria for dimension reduction projections of high dimensional data. Complex, high dimensional data is ubiquitous across many scientific disciplines, including machine learning, biology, and the social sciences. One of the primary methods of visualizing these datasets is with two dimensional scatter plots that visually capture some properties of the data. Because visually determining the accuracy of these plots is challenging, researchers often use quality metrics to measure projection accuracy or faithfulness to the full data. One of the most commonly employed metrics, normalized stress, is sensitive to uniform scaling of the projection, despite this act not meaningfully changing anything about the projection. We investigate the effect of scaling on stress and other distance based quality metrics analytically and empirically by showing just how much the values change and how this affects dimension reduction technique evaluations. We introduce a simple technique to make normalized stress scale invariant and show that it accurately captures expected behavior on a small benchmark.
- Abstract(参考訳): 応力は、高次元データの次元縮小投影に対して最もよく用いられる品質指標と最適化基準の1つである。
複雑な高次元データは、機械学習、生物学、社会科学など、多くの科学分野にまたがっている。
これらのデータセットを視覚化する主要な方法の1つは、データのいくつかの特性を視覚的にキャプチャする2次元散乱プロットである。
これらのプロットの精度を視覚的に決定することは難しいため、研究者はしばしば、完全なデータに対する予測精度または忠実度を測定するために品質指標を使用する。
最も一般的に用いられる指標の1つ、正規化された応力は、投影に関する意味的な変化がないにもかかわらず、射影の均一なスケーリングに敏感である。
本研究では, 応力およびその他の距離ベース品質指標に対するスケーリングの効果を, 測定値の変化量と寸法低減手法の評価に与える影響を, 解析的に, 実験的に検討した。
正規化応力スケールを不変にするための簡単な手法を導入し、小さなベンチマークで予測された振る舞いを正確に捉えていることを示す。
関連論文リスト
- Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。
近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。
本稿では、通常のトレーニングデータを異なるコンテキストに設定することで、この問題に対処するCon2を提案する。
より現実的な医療環境では,様々なベンチマークで最先端のパフォーマンスを実現しつつ,優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2024-05-29T07:59:06Z) - Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
本稿では,治療効果推定の因果推論課題について考察する。
ランダム化比較試験において,高次元画像として記録される2値効果を仮定する。
最先端のビジュアルバックボーンから微調整された6つの480モデルを比較した。
その結果,サンプリングとモデリングの選択が因果推定の精度に大きく影響していることが判明した。
論文 参考訳(メタデータ) (2024-05-27T13:26:34Z) - Leveraging Gradients for Unsupervised Accuracy Estimation under
Distribution Shift [25.951051758560702]
さまざまなテスト環境下での地味なテストラベルへのアクセスなしにテスト精度を推定することは難しいが、非常に重要な問題である。
テストデータのたった1ステップの後に、クロスエントロピー損失から逆転した分類層勾配のノルムを用いる。
我々のキーとなる考え方は、分布シフトを伴うテストデータセットに一般化しない場合、モデルがより高次勾配で調整されるべきであるということです。
論文 参考訳(メタデータ) (2024-01-17T01:33:23Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳(メタデータ) (2023-08-16T13:10:27Z) - An evaluation framework for dimensionality reduction through sectional
curvature [59.40521061783166]
本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。
その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。
新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
論文 参考訳(メタデータ) (2023-03-17T11:59:33Z) - Revisiting lp-constrained Softmax Loss: A Comprehensive Study [2.570570340104555]
そこで本研究では,lp制約付きソフトマックス損失分類器の性能について検討した。
実験結果から,lp制約のソフトマックス損失分類器はより正確な分類結果が得られることが示唆された。
我々は,lp正規化が画像分類において,性能と収束性の観点から推奨されるデータ表現の実践であることを示唆する。
論文 参考訳(メタデータ) (2022-06-20T08:03:12Z) - Deep DIC: Deep Learning-Based Digital Image Correlation for End-to-End
Displacement and Strain Measurement [4.999506391054041]
デジタル画像相関 (DIC) は, 正確な変位とひずみ測定を行うための業界標準となっている。
2つの畳み込みニューラルネットワークであるDisplacementNetとStrainNetは、変位とひずみのエンドツーエンド予測のために協調して動作するように設計されている。
ディープDICは、商用DICソフトウェアから得られたものと非常に一貫性があり、同等の変位とひずみの予測を与える。
論文 参考訳(メタデータ) (2021-10-26T14:13:57Z) - An Empirical Evaluation of the t-SNE Algorithm for Data Visualization in
Structural Engineering [2.4493299476776773]
t-Distributed Neighbor Embedding (t-SNE)アルゴリズムは、可視化目的で設定された地震関連データセットの寸法を縮小するために用いられる。
SMOTE(Synthetic Minority Oversampling Technique)は、このようなデータセットの不均衡な性質に対処するために用いられる。
トレーニングデータセットにおけるt-SNEとSMOTEを用いて、ニューラルネットワーク分類器は精度を犠牲にすることなく、有望な結果が得られることを示す。
論文 参考訳(メタデータ) (2021-09-18T01:24:39Z) - Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust
Depth Prediction [87.08227378010874]
深度予測における高次3次元幾何学的制約の重要性を示す。
単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。
The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
論文 参考訳(メタデータ) (2021-03-07T00:08:21Z) - REVISE: A Tool for Measuring and Mitigating Bias in Visual Datasets [64.76453161039973]
REVISE(Revealing VIsual biaSEs)は、視覚的データセットの調査を支援するツールである。
1)オブジェクトベース,(2)個人ベース,(3)地理ベースという3つの次元に沿った潜在的なバイアスを呈示する。
論文 参考訳(メタデータ) (2020-04-16T23:54:37Z)
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。