Fugu-MT 論文翻訳(概要): Measuring the Data

論文の概要: Measuring the Data

arxiv url: http://arxiv.org/abs/2504.02083v1
Date: Wed, 02 Apr 2025 19:43:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-04 12:55:55.183992
Title: Measuring the Data
Title（参考訳）: データの測定
Authors: Ido Cohen,
Abstract要約: データの測定は、ビッグデータの中で本質的な多様体を解析的に見つける。クープマン次元性低減法は、データから固有多様体への非線形変換を導出する。
参考スコア（独自算出の注目度）: 0.09065034043031668
License:
Abstract: Measuring the Data analytically finds the intrinsic manifold in big data. First, Optimal Transport generates the tangent space at each data point from which the intrinsic dimension is revealed. Then, the Koopman Dimensionality Reduction procedure derives a nonlinear transformation from the data to the intrinsic manifold. Measuring the data procedure is presented here, backed up with encouraging results.
Abstract（参考訳）: データの測定は、ビッグデータの中で本質的な多様体を解析的に見つける。第一に、最適輸送は、本質的な次元が明らかにされる各データポイントの接空間を生成する。そして、クープマン次元性還元法は、データから固有多様体への非線形変換を導出する。データプロシージャの測定はここで行われ、奨励的な結果が得られます。

関連論文リスト

Entropic Optimal Transport Eigenmaps for Nonlinear Alignment and Joint Embedding of High-Dimensional Datasets [11.105392318582677]
本稿では,理論的保証付きデータセットの整列と共同埋め込みの原理的アプローチを提案する。提案手法は,2つのデータセット間のEOT計画行列の先頭特異ベクトルを利用して,それらの共通基盤構造を抽出する。 EOT計画では,高次元状態において,潜伏変数の位置で評価されたカーネル関数を近似することにより,共有多様体構造を復元する。
論文参考訳（メタデータ） (2024-07-01T18:48:55Z)
Implicit Manifold Gaussian Process Regression [49.0787777751317]
ガウス過程の回帰は、よく校正された不確実性推定を提供するために広く用いられている。これは、データが実際に存在する暗黙の低次元多様体のため、高次元データに苦しむ。本稿では,データ(ラベル付きおよびラベルなし)から直接暗黙構造を完全に微分可能な方法で推定できる手法を提案する。
論文参考訳（メタデータ） (2023-10-30T09:52:48Z)
VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2023-04-03T13:13:19Z)
Intrinsic dimension estimation for discrete metrics [65.5438227932088]
本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
論文参考訳（メタデータ） (2022-07-20T06:38:36Z)
Manifold embedding data-driven mechanics [0.0]
本稿では、可逆ニューラルネットワークによって生成された多様体の埋め込みを利用する、新しいデータ駆動型アプローチを紹介する。深層ニューラルネットワークを訓練して、多様体から低次元ユークリッドベクトル空間にデータをグローバルにマッピングする。
論文参考訳（メタデータ） (2021-12-18T04:38:32Z)
Autonomous Dimension Reduction by Flattening Deformation of Data Manifold under an Intrinsic Deforming Field [0.0]
データ多様体の自律的変形により,データセットの次元減少(DR)法を提案する。データ多様体の平坦化は、データポイント間の弾力的かつ反発的な相互作用の下での創発的挙動として達成される。提案手法は,次元減少に関する新しい幾何学的視点を提供する。
論文参考訳（メタデータ） (2021-10-21T07:20:23Z)
Manifold Partition Discriminant Analysis [42.11470531267327]
本稿では,MPDA (Manifold Partition Discriminant Analysis) という,ディメンタリティ低減のための新しいアルゴリズムを提案する。これは、データ多様体の局所的変動と一致する方向に沿ってクラス内類似性が達成される線形埋め込み空間を見つけることを目的としている。 MPDAは接空間の接続を明示的にパラメータ化し、データ多様体を断片的に表現する。
論文参考訳（メタデータ） (2020-11-23T16:33:23Z)
Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
論文参考訳（メタデータ） (2020-09-15T22:06:58Z)
Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文参考訳（メタデータ） (2020-07-07T10:04:28Z)
Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文参考訳（メタデータ） (2020-05-19T05:54:14Z)
Online high rank matrix completion [39.570686604641836]
行列補完の最近の進歩は、低次元(非線形)潜在構造を利用して、フルランク行列におけるデータ計算を可能にする。我々は,高階行列補完のための新しいモデルと,そのモデルとサンプル外拡張に適合するバッチおよびオンライン手法を開発した。
論文参考訳（メタデータ） (2020-02-20T18:31:04Z)

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。