論文の概要: StarMAP: Global Neighbor Embedding for Faithful Data Visualization

• arxiv url: http://arxiv.org/abs/2502.03776v1
• Date: Thu, 06 Feb 2025 04:43:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:32:06.274623
• Title: StarMAP: Global Neighbor Embedding for Faithful Data Visualization
• Title（参考訳）: StarMAP: 忠実なデータ可視化のためのグローバルな隣人埋め込み
• Authors: Koshi Watanabe, Keisuke Maeda, Takahiro Ogawa, Miki Haseyama,
• Abstract要約: 隣の埋め込みはしばしばグローバル構造、例えばクラスタ間類似性を見落とし、正確な視覚化を妨げる。 本稿では,隣接する埋め込みにおける主成分分析(PCA)の利点を取り入れたStarMAP(Star-attracted Manifold Approximation and Projection)を提案する。 StarMAPは、隣接する埋め込みの解釈可能性と計算効率を維持しながら、忠実なグローバル構造を保存する。
• 参考スコア（独自算出の注目度）: 41.13597666007784
• License:
• Abstract: Neighbor embedding is widely employed to visualize high-dimensional data; however, it frequently overlooks the global structure, e.g., intercluster similarities, thereby impeding accurate visualization. To address this problem, this paper presents Star-attracted Manifold Approximation and Projection (StarMAP), which incorporates the advantage of principal component analysis (PCA) in neighbor embedding. Inspired by the property of PCA embedding, which can be viewed as the largest shadow of the data, StarMAP introduces the concept of \textit{star attraction} by leveraging the PCA embedding. This approach yields faithful global structure preservation while maintaining the interpretability and computational efficiency of neighbor embedding. StarMAP was compared with existing methods in the visualization tasks of toy datasets, single-cell RNA sequencing data, and deep representation. The experimental results show that StarMAP is simple but effective in realizing faithful visualizations.
• Abstract（参考訳）: 近隣の埋め込みは高次元データの可視化に広く用いられているが、グローバルな構造、例えばクラスタ間類似性を見落とし、正確な可視化を妨げていることが多い。 そこで本研究では,隣接する埋め込みにおける主成分分析(PCA)の利点を活かした,StarMAP(Star-attracted Manifold Approximation and Projection)を提案する。 データの最大の影と見なせるPCA埋め込みの特性にインスパイアされたStarMAPは、PCA埋め込みを活用することによって、‘textit{star attract}’という概念を導入した。 このアプローチは、隣接する埋め込みの解釈可能性と計算効率を維持しながら、忠実なグローバルな構造保存をもたらす。 StarMAPは、おもちゃのデータセット、シングルセルRNAシークエンシングデータ、深層表現の可視化タスクにおける既存の手法と比較された。 実験の結果,StarMAPは単純だが忠実な可視化を実現するのに有効であることがわかった。

関連論文リスト

• Assessing and improving reliability of neighbor embedding methods: a map-continuity perspective [2.969441406380581]
  隣接する t-SNE, UMAP, LargeVis などの埋め込み手法は、一般的な可視化手法のファミリーである。 近年の研究では、これらの手法がしばしば視覚的な人工物を生み出し、誤った科学的結論につながる可能性が示唆されている。 本稿では,古典的な統計的概念に基づいて埋め込みマップを学習する,新しい概念的・計算的枠組み LOO-map を紹介する。
  論文  参考訳（メタデータ） (2024-10-22T01:40:43Z)
• Contrastive Multi-view Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks [14.978666092012856]
  サブスペースクラスタリングは、ハイパースペクトル画像のクラスタリングに有効なアプローチである。 本研究では,グラフ畳み込みネットワークに基づくHSIのマルチビューサブスペースクラスタリングを提案する。 提案手法は,HSIのクラスタリング精度を効果的に向上する。
  論文  参考訳（メタデータ） (2023-12-11T02:22:10Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• PANet: Perspective-Aware Network with Dynamic Receptive Fields and Self-Distilling Supervision for Crowd Counting [63.84828478688975]
  本稿では,視点問題に対処するため,PANetと呼ばれる新しい視点認識手法を提案する。 対象物のサイズが視点効果によって1つの画像で大きく変化するという観測に基づいて,動的受容場(DRF)フレームワークを提案する。 このフレームワークは、入力画像に応じて拡張畳み込みパラメータによって受容野を調整することができ、モデルが各局所領域についてより識別的な特徴を抽出するのに役立つ。
  論文  参考訳（メタデータ） (2021-10-31T04:43:05Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
  本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。 第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。 第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
  論文  参考訳（メタデータ） (2021-03-08T03:04:14Z)
• Joint Characterization of Multiscale Information in High Dimensional Data [0.0]
  グローバルアプローチとローカルアプローチの相乗効果を生かした多スケール共同評価手法を提案します。 関節の特徴は, PCA や t-sne のいずれからも明らかでない信号の検出と分離が可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-18T23:33:00Z)
• Visualizing the Finer Cluster Structure of Large-Scale and High-Dimensional Data [7.400745342582259]
  一般化されたシグモイド関数を用いて高次元空間と低次元空間の距離類似性をモデル化する。 本研究では,シミュレーションと実世界の両方のデータセットを用いて,一様多様体の近似と投影に匹敵する可視化結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-17T01:36:45Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。