論文の概要: How to RETIRE Tabular Data in Favor of Discrete Digital Signal Representation

• arxiv url: http://arxiv.org/abs/2503.19733v1
• Date: Tue, 25 Mar 2025 15:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:54:29.012410
• Title: How to RETIRE Tabular Data in Favor of Discrete Digital Signal Representation
• Title（参考訳）: 離散的デジタル信号表現における語彙データの再検討
• Authors: Paweł Zyblewski, Szymon Wojciechowski,
• Abstract要約: 多次元と呼ばれる新しい研究領域。 MDEは、データを均質なデジタル信号(画像)に変換し、畳み込みネットワークを当初は不適切な問題に適用することを目的としている。 タブラルから画像表現(RETIRE)へのレーダベースプレゼンテーションを提案する。 RETIREは、最先端のMDEアルゴリズムのプールと、分類精度と計算複雑性の点でXGBoostと比較された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The successes achieved by deep neural networks in computer vision tasks have led in recent years to the emergence of a new research area dubbed Multi-Dimensional Encoding (MDE). Methods belonging to this family aim to transform tabular data into a homogeneous form of discrete digital signals (images) to apply convolutional networks to initially unsuitable problems. Despite the successive emerging works, the pool of multi-dimensional encoding methods is still low, and the scope of research on existing modality encoding techniques is quite limited. To contribute to this area of research, we propose the Radar-based Encoding from Tabular to Image REpresentation (RETIRE), which allows tabular data to be represented as radar graphs, capturing the feature characteristics of each problem instance. RETIRE was compared with a pool of state-of-the-art MDE algorithms as well as with XGBoost in terms of classification accuracy and computational complexity. In addition, an analysis was carried out regarding transferability and explainability to provide more insight into both RETIRE and existing MDE techniques. The results obtained, supported by statistical analysis, confirm the superiority of RETIRE over other established MDE methods.
• Abstract（参考訳）: コンピュータビジョンタスクにおけるディープニューラルネットワークによる成功は、近年、MDE(Multi-dimensional Encoding)と呼ばれる新しい研究領域の出現につながっている。 この系統に属する手法は、表形式のデータを離散デジタル信号(画像)の均質な形式に変換し、畳み込みネットワークを当初は不適切な問題に適用することを目的としている。 連続的な研究にもかかわらず、多次元符号化手法のプールは依然として低く、既存のモダリティ符号化技術の研究範囲は極めて限られている。 この領域に寄与するため、各問題インスタンスの特徴を抽出し、グラフデータをレーダグラフとして表現できるRadar-based Encoding from Tabular to Image Representation (RETIRE)を提案する。 RETIREは、最先端のMDEアルゴリズムのプールと、分類精度と計算複雑性の点でXGBoostと比較された。 さらに、RETIREと既存のMDE技術の両方についてより深い知見を提供するために、転送可能性と説明可能性について分析を行った。 統計的解析により得られた結果は、他の確立されたMDE法よりもRETIREの方が優れていることを確認する。

関連論文リスト

• A Novel Approach to Image Steganography Using Generative Adversarial Networks [0.0]
  本稿では,GAN(Generative Adversarial Network)のパワーを活用した画像ステガノグラフィー手法を提案する。 慎重に設計されたGANアーキテクチャを用いることで,本手法は,従来のものと視覚的に区別できないステゴイメージの作成を確実にする。 その結果,Pak Signal-to-Noise Ratio (PSNR), Structure similarity Index Measure (SSIM),そして検出に対する堅牢性などの指標が大幅に改善された。
  論文  参考訳（メタデータ） (2024-11-27T14:34:41Z)
• Employing Two-Dimensional Word Embedding for Difficult Tabular Data Stream Classification [0.0]
  本稿では,難しいデータストリーム分類タスクに対して,SSTML(Streaming Super Tabular Machine Learning)を提案する。 合成データストリームと実データストリームで行った実験は、SSTMLが最先端のアルゴリズムよりも統計的に優れた分類品質を達成できることを実証した。
  論文  参考訳（メタデータ） (2024-04-24T12:14:54Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Images in Discrete Choice Modeling: Addressing Data Isomorphism in Multi-Modality Inputs [77.54052164713394]
  本稿では,離散選択モデリング(DCM)と機械学習の交わりについて考察する。 本稿では,DCMフレームワーク内の従来の表型入力と同型情報を共有する高次元画像データの埋め込み結果について検討する。
  論文  参考訳（メタデータ） (2023-12-22T14:33:54Z)
• Enhancing Motor Imagery Decoding in Brain Computer Interfaces using Riemann Tangent Space Mapping and Cross Frequency Coupling [5.860347939369221]
  運動画像(MI)は脳コンピュータインタフェース(BCI)の領域における重要な実験パラダイムである 本稿では,MI特徴量に関する表現品質と復号化能力を向上させるための新しい手法を提案する。 さらに特徴抽出と分類のために軽量畳み込みニューラルネットワークが使用され、クロスエントロピーとセンターロスの共同管理の下で動作している。
  論文  参考訳（メタデータ） (2023-10-29T23:37:47Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Quantifying Model Uncertainty in Inverse Problems via Bayesian Deep Gradient Descent [4.029853654012035]
  逆問題における最近の進歩は、例えばディープニューラルネットワークのような強力なデータ駆動モデルを活用する。 ベイズニューラルネットワークによるモデル不確実性を定量化するための,スケーラブルでデータ駆動型,知識支援型計算フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-07-20T09:43:31Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。