論文の概要: Mapping correlations and coherence: adjacency-based approach to data visualization and regularity discovery

• arxiv url: http://arxiv.org/abs/2506.05758v1
• Date: Fri, 06 Jun 2025 05:31:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.334413
• Title: Mapping correlations and coherence: adjacency-based approach to data visualization and regularity discovery
• Title（参考訳）: 相関のマッピングとコヒーレンス--データ可視化と規則性発見への隣接に基づくアプローチ
• Authors: Guang-Xing Li,
• Abstract要約: 相関は、データの規則性を記述するための最も一般的に使われ、効果的なアプローチである。 相関のタイプと度合いを表す地図を導出するアルゴリズムを提案する。 本手法は, 正規性発見のための新しい計算手法の開発を容易にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of science has been transforming man's view towards nature for centuries. Observing structures and patterns in an effective approach to discover regularities from data is a key step toward theory-building. With increasingly complex data being obtained, revealing regularities systematically has become a challenge. Correlation is a most commonly-used and effective approach to describe regularities in data, yet for complex patterns, spatial inhomogeneity and complexity can often undermine the correlations. We present an algorithm to derive maps representing the type and degree of correlations, by taking the two-fold symmetry of the correlation vector into full account using the Stokes parameter. The method allows for a spatially resolved view of the nature and strength of correlations between physical quantities. In the correlation view, a region can often be separated into different subregions with different types of correlations. Subregions correspond to physical regimes for physical systems, or climate zones for climate maps. The simplicity of the method makes it widely applicable to a variety of data, where the correlation-based approach makes the map particularly useful in revealing regularities in physical systems and alike. As a new and efficient approach to represent data, the method should facilitate the development of new computational approaches to regularity discovery.
• Abstract（参考訳）: 科学の発展は、何世紀にもわたって人間の自然に対する見方を変えてきた。 データから規則性を発見する効果的なアプローチで構造やパターンを観察することは、理論構築への重要なステップである。 ますます複雑なデータが収集されるにつれて、規則性を体系的に明らかにすることが課題となっている。 相関はデータの規則性を記述するための最も一般的に使われ、効果的な手法であるが、複雑なパターンでは空間的不均一性と複雑性が相関を損なうことがある。 相関ベクトルの2倍対称性をストークスパラメータを用いてフルアカウントにすることで、相関のタイプと度合いを表す写像を導出するアルゴリズムを提案する。 この方法は、物理量間の相関の性質と強度を空間的に解決したビューを可能にする。 相関の観点では、ある領域は異なるタイプの相関を持つ異なる部分領域に分けることができる。 サブリージョンは、物理的システムや気候地図の気候帯の物理的なレギュレーションに対応している。 この手法の単純さは様々なデータに適用可能であり、相関に基づくアプローチにより、物理系などの規則性を明らかにするのに特に有用である。 データを表現するための新しい効率的な手法として、この手法は正規性発見のための新しい計算手法の開発を促進すべきである。

関連論文リスト

• Revealing hidden correlations from complex spatial distributions: Adjacent Correlation Analysis [0.0]
  量間の相関は、変数間の関係を記述する最も信頼できる方法である。 複雑なパターンに対して、相関関係を直接検索することは、しばしば非現実的であり、複雑性と空間的不均一性は相関関係を曖昧にすることができる。 そこで我々は,そのような相関関係を抽出し,位相空間でそれらを表現するための新しい手法,近接相関解析法を開発した。
  論文  参考訳（メタデータ） (2025-06-06T05:31:29Z)
• HLSAD: Hodge Laplacian-based Simplicial Anomaly Detection [6.629765271909503]
  本研究では, 時間発展型単純錯体における異常検出手法であるHLSADを提案する。 本手法は, 単純錯体のホッジラプラシアンのスペクトル特性を利用して, データポイント間の多方向相互作用を効果的にモデル化する。
  論文  参考訳（メタデータ） (2025-05-30T12:41:08Z)
• Causal Discovery on Dependent Binary Data [6.464898093190062]
  本稿では,関係するバイナリデータに基づく因果グラフ学習のためのデコレーションに基づくアプローチを提案する。 我々は,潜在ユーティリティ変数のサンプルの生成とデコレーションを行うEMライクな反復アルゴリズムを開発した。 提案手法は因果グラフ学習の精度を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-12-28T21:55:42Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• ICON: Learning Regular Maps Through Inverse Consistency [19.27928605302463]
  画像登録の計算など空間変換の正則性をもたらすものについて検討する。 深いネットワークと逆整合損失とランダム化されたオフグリッド収量は、ほぼ微分同相の空間変換でよく振る舞う。 このアプローチの単純さにもかかわらず、実験は合成データと実データの両方において、明示的な正規化子と競合的な登録性能を慎重に調整せずに正規写像を得ることができるという説得力のある証拠を示している。
  論文  参考訳（メタデータ） (2021-05-10T15:52:12Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。