論文の概要: A Survey on Archetypal Analysis

• arxiv url: http://arxiv.org/abs/2504.12392v1
• Date: Wed, 16 Apr 2025 18:01:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:38:15.250709
• Title: A Survey on Archetypal Analysis
• Title（参考訳）: アーチティパル分析に関する調査研究
• Authors: Aleix Alcacer, Irene Epifanio, Sebastian Mair, Morten Mørup,
• Abstract要約: Archetypal analysis (AA) は1994年にアデル・カトラーとレオ・カトラーによって提唱された。 AAは、抽出と次元縮小のための構造、解釈可能、説明可能な表現を提供する。
• 参考スコア（独自算出の注目度）: 2.315539251376305
• License:
• Abstract: Archetypal analysis (AA) was originally proposed in 1994 by Adele Cutler and Leo Breiman as a computational procedure to extract the distinct aspects called archetypes in observations with each observational record approximated as a mixture (i.e., convex combination) of these archetypes. AA thereby provides straightforward, interpretable, and explainable representations for feature extraction and dimensionality reduction, facilitating the understanding of the structure of high-dimensional data with wide applications throughout the sciences. However, AA also faces challenges, particularly as the associated optimization problem is non-convex. This survey provides researchers and data mining practitioners an overview of methodologies and opportunities that AA has to offer surveying the many applications of AA across disparate fields of science, as well as best practices for modeling data using AA and limitations. The survey concludes by explaining important future research directions concerning AA.
• Abstract（参考訳）: 1994年にアデル・カトラー(英語版)とレオ・ブレイマン(英語版) (Leo Breiman) によって、それぞれの観測記録をこれらの観測記録の混合(すなわち凸結合)として近似した観察において、アーチタイプと呼ばれる異なる側面を抽出する計算手順として提案された。 これにより、AAは特徴抽出と次元減少のための単純で解釈可能で説明可能な表現を提供し、科学全体にわたって幅広い応用で高次元データの構造を理解するのに役立つ。 しかし、AAはまた、特に関連する最適化問題は凸ではないため、課題に直面している。 この調査は、研究者やデータマイニングの実践者に対して、AAがさまざまな分野の科学分野にわたるAAの多くの応用を調査するために必要な方法論と機会の概観と、AAと制限を用いたデータモデリングのベストプラクティスを提供する。 調査は、AAに関する重要な研究の方向性を説明することで締めくくられる。

関連論文リスト

• Archetypal Analysis for Binary Data [1.9221715284876513]
  Archetypal analysis (AA) は、アーチタイプを示すデータポイントの凸結合を用いて、異なるパターンを識別する行列分解法である。 AAの既存のほとんどのメソッドは連続データ用に設計されており、データ分散の構造を利用していない。 本稿では,2進データに対するアーキティパル解析のための2つの新しい最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-06T16:05:15Z)
• Modeling Human Responses by Ordinal Archetypal Analysis [2.3220860203471516]
  本稿では,特に質問紙からの質問紙データに適合する新しいアルキサイパル分析(AA)フレームワークを提案する。 我々は、従来のAA手法を拡張して、尺度知覚における個人差を認識し、アンケートに基づくデータの主観的な性質を扱う。 本稿では,RBOAA(Response Bias Ordinal Archetypal Analysis)を紹介する。
  論文  参考訳（メタデータ） (2024-09-12T10:58:26Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Incentivized Exploration via Filtered Posterior Sampling [51.32577788466152]
  情報非対称性を活用できる社会学習問題における「インセンティブ付き探索」(IE)について検討し、エージェントにインセンティブを与えて探索行動をとる。 我々は,IE の汎用的解法として,多腕バンディットの文献でよく知られるアルゴリズム的手法である後方サンプリングを同定する。
  論文  参考訳（メタデータ） (2024-02-20T19:30:55Z)
• Guided Depth Map Super-resolution: A Survey [88.54731860957804]
  誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。 近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。 この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
  論文  参考訳（メタデータ） (2023-02-19T15:43:54Z)
• Generalized Video Anomaly Event Detection: Systematic Taxonomy and Comparison of Deep Models [33.43062232461652]
  ビデオ異常検出(VAD)は、インテリジェント監視システムにおいて重要な技術である。 本調査は,GA(Generalized Video Anomaly Event Detection, GVAED)と呼ばれる幅広いスペクトルを含む,教師なしの手法を超えて,従来のVODの範囲を拡張した。
  論文  参考訳（メタデータ） (2023-02-10T07:11:37Z)
• A Simple Information-Based Approach to Unsupervised Domain-Adaptive Aspect-Based Sentiment Analysis [58.124424775536326]
  本稿では,相互情報に基づくシンプルだが効果的な手法を提案し,それらの用語を抽出する。 実験の結果,提案手法はクロスドメインABSAの最先端手法よりも4.32%高い性能を示した。
  論文  参考訳（メタデータ） (2022-01-29T10:18:07Z)
• Probabilistic methods for approximate archetypal analysis [8.829245587252435]
  Archetypal analysisは、探索データ分析のための教師なし学習手法である。 データの次元と表現の基数を低減するために,2つの前処理手法を導入する。 提案手法を応用して, 適度に大規模なデータセットを要約することで, 結果の有用性を実証する。
  論文  参考訳（メタデータ） (2021-08-12T14:27:11Z)
• HUMAP: Hierarchical Uniform Manifold Approximation and Projection [42.50219822975012]
  HUMAPは、局所的・大域的構造の保存に柔軟であるように設計された、新しい階層的次元削減技術である。 提案手法の優位性を示す実証的証拠を現在の階層的アプローチと比較し,データセットラベリングにHUMAPを適用したケーススタディを示す。
  論文  参考訳（メタデータ） (2021-06-14T19:27:54Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)

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。