論文の概要: Manifold Learning via Foliations and Knowledge Transfer

• arxiv url: http://arxiv.org/abs/2409.07412v1
• Date: Wed, 11 Sep 2024 16:53:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-12 13:41:10.308051
• Title: Manifold Learning via Foliations and Knowledge Transfer
• Title（参考訳）: 剥離と知識伝達によるマニフォールド学習
• Authors: E. Tron, E. Fioresi,
• Abstract要約: 分類器として訓練された深部ReLUニューラルネットワークを用いたデータ空間上の自然な幾何学的構造を提供する。 そのような葉の特異点が測度ゼロ集合に含まれており、局所正則葉は至る所に存在することを示す。 実験により、データは葉の葉と相関していることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how real data is distributed in high dimensional spaces is the key to many tasks in machine learning. We want to provide a natural geometric structure on the space of data employing a deep ReLU neural network trained as a classifier. Through the data information matrix (DIM), a variation of the Fisher information matrix, the model will discern a singular foliation structure on the space of data. We show that the singular points of such foliation are contained in a measure zero set, and that a local regular foliation exists almost everywhere. Experiments show that the data is correlated with leaves of such foliation. Moreover we show the potential of our approach for knowledge transfer by analyzing the spectrum of the DIM to measure distances between datasets.
• Abstract（参考訳）: 実際のデータが高次元空間に分散されていることを理解することが、機械学習における多くのタスクの鍵となる。 我々は、分類器として訓練された深部ReLUニューラルネットワークを用いて、データ空間に自然な幾何学的構造を提供したいと思っています。 フィッシャー情報行列のバリエーションであるデータ情報行列(DIM)を通して、モデルはデータの空間上の特異な葉構造を識別する。 そのような葉の特異点が測度ゼロ集合に含まれており、局所正則葉は至る所に存在することを示す。 実験により、データは葉の葉と相関していることが示された。 さらに、DIMのスペクトルを分析し、データセット間の距離を測定することにより、知識伝達のためのアプローチの可能性を示す。

関連論文リスト

• Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
  我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。 本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
  論文  参考訳（メタデータ） (2023-06-01T17:36:13Z)
• Study of Manifold Geometry using Multiscale Non-Negative Kernel Graphs [32.40622753355266]
  データの幾何学的構造を研究するための枠組みを提案する。 我々は最近導入された非負のカーネル回帰グラフを用いて、点密度、固有次元、およびデータ多様体(曲率)の線型性を推定する。
  論文  参考訳（メタデータ） (2022-10-31T17:01:17Z)
• The Manifold Hypothesis for Gradient-Based Explanations [55.01671263121624]
  勾配に基づく説明アルゴリズムは知覚的に整合した説明を提供する。 特徴属性がデータの接する空間と一致しているほど、知覚的に一致している傾向にあることを示す。 説明アルゴリズムは、その説明をデータ多様体と整合させるよう積極的に努力すべきである。
  論文  参考訳（メタデータ） (2022-06-15T08:49:24Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• SubOmiEmbed: Self-supervised Representation Learning of Multi-omics Data for Cancer Type Classification [4.992154875028543]
  マルチオミクスデータの統合と解析により腫瘍の広い視野が得られ,臨床診断の精度が向上する。 SubOmiEmbedは、非常に小さなネットワークを持つベースラインであるOmiEmbedに匹敵する結果を生成する。 この作業は、突然変異に基づくゲノムデータを統合するために改善される。
  論文  参考訳（メタデータ） (2022-02-03T16:39:09Z)
• Learning Signal-Agnostic Manifolds of Neural Fields [50.066449953522685]
  ニューラルネットワークを利用して、画像、形状、オーディオ、およびモーダル・オーディオヴィジュアル領域の基盤となる構造を捉える。 GEMの基底多様体を横切ることで、信号領域に新しいサンプルを生成できることが示される。
  論文  参考訳（メタデータ） (2021-11-11T18:57:40Z)
• Reasoning-Modulated Representations [85.08205744191078]
  タスクが純粋に不透明でないような共通的な環境について研究する。 我々のアプローチは、新しいデータ効率表現学習の道を開く。
  論文  参考訳（メタデータ） (2021-07-19T13:57:13Z)
• MESS: Manifold Embedding Motivated Super Sampling [0.0]
  本研究では,データ内の観測可能な多様体の下の近似埋め込み関数に忠実な仮想データポイントを生成するフレームワークを提案する。 データセットの本質的な次元性を高めるために、要求されるデータ密度は、非常に大きなデータセットの必要性をもたらす。
  論文  参考訳（メタデータ） (2021-07-14T09:07:54Z)
• Model-centric Data Manifold: the Data Through the Eyes of the Model [0.0]
  deep reluニューラルネットワーク分類器は、データ上の低次元多様体構造を見ることができる。 モデルが訓練されたデータセットは、その寸法が分類ラベルの数によって境界づけられているリーフ、データリーフにあることを示しています。
  論文  参考訳（メタデータ） (2021-04-26T16:03:09Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)

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。