論文の概要: NOMAD Projection

• arxiv url: http://arxiv.org/abs/2505.15511v1
• Date: Wed, 21 May 2025 13:35:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.667329
• Title: NOMAD Projection
• Title（参考訳）: NOMADプロジェクション
• Authors: Brandon Duderstadt, Zach Nussbaum, Laurens van der Maaten,
• Abstract要約: 非線形次元の減少による非構造データ可視化のための最初の手法であるNomaD(Negative Or Mean Affinity Discrimination)射影を導入する。 我々は,NOMAD投影をInfoNC-t-SNE損失の近似上界とする理論を提案する。 我々は,多言語ウィキペディアの最初の完全なデータマップを計算することで,NOMADプロジェクションのスケーラビリティを実証する。
• 参考スコア（独自算出の注目度）: 14.640529263184364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid adoption of generative AI has driven an explosion in the size of datasets consumed and produced by AI models. Traditional methods for unstructured data visualization, such as t-SNE and UMAP, have not kept up with the pace of dataset scaling. This presents a significant challenge for AI explainability, which relies on methods such as t-SNE and UMAP for exploratory data analysis. In this paper, we introduce Negative Or Mean Affinity Discrimination (NOMAD) Projection, the first method for unstructured data visualization via nonlinear dimensionality reduction that can run on multiple GPUs at train time. We provide theory that situates NOMAD Projection as an approximate upper bound on the InfoNC-t-SNE loss, and empirical results that demonstrate NOMAD Projection's superior performance and speed profile compared to existing state-of-the-art methods. We demonstrate the scalability of NOMAD Projection by computing the first complete data map of Multilingual Wikipedia.
• Abstract（参考訳）: 生成AIの急速な採用により、AIモデルによって消費され生産されるデータセットのサイズが爆発的に増加した。 t-SNEやUMAPのような非構造化データ可視化の従来の方法は、データセットのスケーリングのペースに追いついていない。 これは、探索データ分析にt-SNEやUMAPなどの手法に依存する、AI説明可能性に対する重要な課題である。 本稿では, 非線形次元減少による非構造化データ可視化手法として, 列車時に複数のGPU上で動作可能な負・平均親和性判別(NOMAD)プロジェクションを提案する。 我々は、NOMADプロジェクションをInfoNC-t-SNE損失の近似上界として位置づける理論と、既存の最先端手法と比較して、NOMADプロジェクションの優れた性能と速度プロファイルを示す実験結果を提供する。 我々は,多言語ウィキペディアの最初の完全なデータマップを計算することで,NOMADプロジェクションのスケーラビリティを実証する。

関連論文リスト

• Enhanced OoD Detection through Cross-Modal Alignment of Multi-Modal Representations [2.992602379681373]
  マルチモーダル微調整により,OoDDの性能が向上することを示す。 本稿では,IDデータの画像とテキストの埋め込み距離を正規化することにより,モーダルアライメントを向上させる訓練目標を提案する。
  論文  参考訳（メタデータ） (2025-03-24T16:00:21Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Subspace Modeling for Fast Out-Of-Distribution and Anomaly Detection [5.672132510411465]
  本稿では、ディープニューラルネットワーク(DNN)における異常および分布外サンプルを検出するための原則的アプローチを提案する。 本稿では,DNN が生成する意味的特徴に対する線形統計量次元削減手法の適用を提案する。 高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normの「機能再構成誤差」(FRE)はOODと異常検出に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2022-03-20T00:55:20Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• PCENet: High Dimensional Surrogate Modeling for Learning Uncertainty [15.781915567005251]
  本稿では,表現学習と不確実性定量化のための新しい代理モデルを提案する。 提案モデルでは、(潜在的に高次元の)データの次元的低減のためのニューラルネットワークアプローチと、データ分布を学習するための代理モデル手法を組み合わせる。 我々のモデルは,データの表現を学習し,(a)高次元データシステムにおける不確実性を推定し,(c)出力分布の高次モーメントを一致させることができる。
  論文  参考訳（メタデータ） (2022-02-10T14:42:51Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• 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)
• NCVis: Noise Contrastive Approach for Scalable Visualization [79.44177623781043]
  NCVisはノイズコントラスト推定の音響統計的基礎の上に構築された高性能次元減少法である。 NCVisは,他の手法の表現品質を保ちながら,速度の観点から最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-30T15:43:50Z)

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。