論文の概要: Autoencoding Random Forests

• arxiv url: http://arxiv.org/abs/2505.21441v1
• Date: Tue, 27 May 2025 17:15:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.821186
• Title: Autoencoding Random Forests
• Title（参考訳）: ランダム林の自動コード化
• Authors: Binh Duc Vu, Jan Kapar, Marvin Wright, David S. Watson,
• Abstract要約: 本稿では,ランダムな森林を用いた自動符号化手法を提案する。 我々は、制約付き最適化、スプリット・レバーベリング、近傍の回帰を通じて、デコード問題の正確かつ近似的な解を提供する。 我々はこのオートエンコーダの様々な応用を実演し、可視化、圧縮、クラスタリング、復号化のための強力な新しいツールについて紹介する。
• 参考スコア（独自算出の注目度）: 1.3124513975412255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a principled method for autoencoding with random forests. Our strategy builds on foundational results from nonparametric statistics and spectral graph theory to learn a low-dimensional embedding of the model that optimally represents relationships in the data. We provide exact and approximate solutions to the decoding problem via constrained optimization, split relabeling, and nearest neighbors regression. These methods effectively invert the compression pipeline, establishing a map from the embedding space back to the input space using splits learned by the ensemble's constituent trees. The resulting decoders are universally consistent under common regularity assumptions. The procedure works with supervised or unsupervised models, providing a window into conditional or joint distributions. We demonstrate various applications of this autoencoder, including powerful new tools for visualization, compression, clustering, and denoising. Experiments illustrate the ease and utility of our method in a wide range of settings, including tabular, image, and genomic data.
• Abstract（参考訳）: 本稿では,ランダムな森林を用いた自動符号化手法を提案する。 我々の戦略は、非パラメトリック統計学とスペクトルグラフ理論の基本的な結果に基づいて、データ内の関係を最適に表現するモデルの低次元埋め込みを学習する。 我々は、制約付き最適化、スプリット・レバーベリング、近傍の回帰を通じて、デコード問題の正確かつ近似的な解を提供する。 これらの方法は、効果的に圧縮パイプラインを反転させ、エンサンブルの構成木から学んだ分割を用いて、埋め込み空間から入力空間への写像を確立する。 結果として得られるデコーダは共通正規性仮定の下で普遍的に整合である。 プロシージャは教師なしまたは教師なしのモデルで動作し、条件付きまたは共同分布のウィンドウを提供する。 我々はこのオートエンコーダの様々な応用を実演し、可視化、圧縮、クラスタリング、復号化のための強力な新しいツールについて紹介する。 実験は、表、画像、ゲノムデータを含む幅広い設定で、我々の方法の容易さと有用性を説明する。

関連論文リスト

• Efficient compression of neural networks and datasets [0.0]
  ニューラルネットワークのパラメータ数を著しく削減する手法を比較し,改善し,貢献する。 記述長を最小化するために本手法を適用すると、非常に効率的なデータ圧縮アルゴリズムが得られる。 正規化モデルがより標本効率のよい収束を示すことができるという予測を実証的に検証する。
  論文  参考訳（メタデータ） (2025-05-23T04:50:33Z)
• Good Things Come in Pairs: Paired Autoencoders for Inverse Problems [0.0]
  我々は,科学計算における逆問題解決の強力なツールであることが証明された,自己エンコーダフレームワークに注目する。 本稿では, 非線形および線形逆問題を含む, 地震イメージングや古典的塗装を含む数値実験を通じて, このアプローチの利点を解説する。
  論文  参考訳（メタデータ） (2025-05-10T07:31:09Z)
• 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)
• Learning Saliency From Fixations [0.9208007322096533]
  本稿では, 画像の並列デコードを利用して, 修正マップからのみサリエンシを学習する, 画像中のサリエンシ予測のための新しいアプローチを提案する。 我々のアプローチは、Saliency TRansformer (SalTR) と呼ばれ、SaliconとMIT300ベンチマークの最先端のアプローチと同等のスコアを得る。
  論文  参考訳（メタデータ） (2023-11-23T16:04:41Z)
• Symmetric Equilibrium Learning of VAEs [56.56929742714685]
  可変オートエンコーダ(VAE)をデコーダ-エンコーダペアとみなし,データ空間内の分布を潜在空間内の分布にマッピングする。 本研究では,エンコーダとデコーダに対して対称なナッシュ均衡学習手法を提案し,データと潜伏分布の両方がサンプリングによってのみアクセス可能な状況下でのVAEの学習を可能にする。
  論文  参考訳（メタデータ） (2023-07-19T10:27:34Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Flag Aggregator: Scalable Distributed Training under Failures and Augmented Losses using Convex Optimization [14.732408788010313]
  MLアプリケーションはますます、複雑なディープラーニングモデルと大規模なデータセットに依存している。 計算とデータをスケールするために、これらのモデルはノードのクラスタ内で分散的にトレーニングされ、それらの更新はモデルに適用される前に集約される。 これらの設定にデータ拡張を加えることで、堅牢で効率的なアグリゲーションシステムが必要である。 この手法は,最先端のビザンツ系レジリエントアグリゲータのロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-02-12T06:38:30Z)
• Okapi: Generalising Better by Making Statistical Matches Match [7.392460712829188]
  オカピは、オンライン統計マッチングに基づく頑健な半教師あり学習のためのシンプルで効率的で汎用的な方法である。 提案手法では, 最寄りのマッチング手法を用いて, 整合性損失に対するクロスドメインビューを生成する。 経験的リスクの最小化を改善するために、余分な遅延のないデータを活用することは実際に可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-07T12:41:17Z)
• Unfolding Neural Networks for Compressive Multichannel Blind Deconvolution [71.29848468762789]
  圧縮性多チャネルブラインドデコンボリューション問題に対する学習構造付き展開型ニューラルネットワークを提案する。 この問題では、各チャネルの測定は共通のソース信号とスパースフィルタの畳み込みとして与えられる。 提案手法は,従来の圧縮型マルチチャネルブラインドデコンボリューション法よりも,スパースフィルタの精度と高速化の点で優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-22T02:34:33Z)

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。