論文の概要: Visual Analytics Using Tensor Unified Linear Comparative Analysis

• arxiv url: http://arxiv.org/abs/2507.19988v1
• Date: Sat, 26 Jul 2025 15:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:56.576308
• Title: Visual Analytics Using Tensor Unified Linear Comparative Analysis
• Title（参考訳）: テンソル統一線形比較解析を用いた視覚分析
• Authors: Naoki Okami, Kazuki Miyake, Naohisa Sakamoto, Jorji Nonaka, Takanori Fujiwara,
• Abstract要約: テンソル統合線形比較解析(TULCA)と呼ばれる新しいテンソル分解法を導入する。 TULCAはテンソル分解のための識別分析とコントラスト学習スキームを統合し、テンソルの柔軟な比較を可能にする。 また,TULCAから抽出したコアテンソルを2次元可視化に効果的に可視化する手法を提案する。
• 参考スコア（独自算出の注目度）: 3.670008893193884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Comparing tensors and identifying their (dis)similar structures is fundamental in understanding the underlying phenomena for complex data. Tensor decomposition methods help analysts extract tensors' essential characteristics and aid in visual analytics for tensors. In contrast to dimensionality reduction (DR) methods designed only for analyzing a matrix (i.e., second-order tensor), existing tensor decomposition methods do not support flexible comparative analysis. To address this analysis limitation, we introduce a new tensor decomposition method, named tensor unified linear comparative analysis (TULCA), by extending its DR counterpart, ULCA, for tensor analysis. TULCA integrates discriminant analysis and contrastive learning schemes for tensor decomposition, enabling flexible comparison of tensors. We also introduce an effective method to visualize a core tensor extracted from TULCA into a set of 2D visualizations. We integrate TULCA's functionalities into a visual analytics interface to support analysts in interpreting and refining the TULCA results. We demonstrate the efficacy of TULCA and the visual analytics interface with computational evaluations and two case studies, including an analysis of log data collected from a supercomputer.
• Abstract（参考訳）: テンソルの比較とそれらの(離散的な)類似構造の同定は、複素データの基礎となる現象を理解する上で基礎となる。 テンソル分解法は、解析者がテンソルの本質的な特徴を抽出し、テンソルの視覚分析を助ける。 行列(すなわち二階テンソル)を解析するためにのみ設計された次元還元法とは対照的に、既存のテンソル分解法はフレキシブル比較解析をサポートしない。 この解析限界に対処するために、テンソル統合線形比較解析(TULCA)と呼ばれる新しいテンソル分解法を導入し、DR対応のULCAを拡張してテンソル解析を行う。 TULCAはテンソル分解のための識別分析とコントラスト学習スキームを統合し、テンソルの柔軟な比較を可能にする。 また,TULCAから抽出したコアテンソルを2次元可視化に効果的に可視化する手法を提案する。 我々は、TULCAの機能を視覚分析インタフェースに統合し、TULCAの結果の解釈と精細化を支援する。 本稿では,スーパーコンピュータから収集したログデータの解析を含む2つのケーススタディを用いて,TULCAとビジュアル分析インタフェースの有効性を実証する。

関連論文リスト

• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Hyperspectral Image Spectral-Spatial Feature Extraction via Tensor Principal Component Analysis [41.71615165526371]
  本稿では,ハイパースペクトル画像分類におけるスペクトル空間特徴抽出の課題について述べる。 提案手法では、円形の畳み込みをテンソル構造に組み込んで、スペクトル情報と空間情報の両方を効果的に捕捉・統合する。 この枠組みに基づいて、従来の主成分分析(PCA)技術は、主成分分析(TPCA)と呼ばれるテンソルベースに拡張される。
  論文  参考訳（メタデータ） (2024-12-08T21:52:09Z)
• High-Dimensional Tensor Discriminant Analysis with Incomplete Tensors [5.745276598549783]
  本研究では,高次元線形判別分析における不完全データを用いたテンソル分類手法を提案する。 提案手法は,データ不足のかなりの割合であっても,シミュレーションや実データ解析において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-18T18:00:16Z)
• Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
  アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。 複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
  論文  参考訳（メタデータ） (2024-04-01T03:23:55Z)
• Error Analysis of Tensor-Train Cross Approximation [88.83467216606778]
  我々は, テンソル全体の精度保証を行う。 結果は数値実験により検証され、高次テンソルに対するクロス近似の有用性に重要な意味を持つ可能性がある。
  論文  参考訳（メタデータ） (2022-07-09T19:33:59Z)
• High-Order Multilinear Discriminant Analysis via Order-$\textit{n}$ Tensor Eigendecomposition [0.0]
  本稿では,高次マルチリニア判別分析(HOMLDA)と呼ばれるテンソルベースマルチリニア判別分析への新しいアプローチを提案する。 提案手法は,現在のタッカー分解に基づく教師あり学習法に対して,分類性能の向上を実現する。
  論文  参考訳（メタデータ） (2022-05-18T19:49:54Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• Explaining dimensionality reduction results using Shapley values [0.0]
  次元還元(dr)技術は様々な応用において一貫して高次元データ分析をサポートする。 DR技法を解釈するために設計された現在の文献的アプローチは、低次元表現のみに焦点を当てたり、特徴間の関係を考慮しないため、特徴の寄与をうまく説明できない。 本稿では,これらの問題に対処するために,Shapley値を用いて次元削減手法の説明を生成し,クラスタ指向解析を用いてこれらのアルゴリズムを解釈する。
  論文  参考訳（メタデータ） (2021-03-09T19:28:10Z)
• Stochastic Approximation for Online Tensorial Independent Component Analysis [98.34292831923335]
  独立成分分析(ICA)は統計機械学習や信号処理において一般的な次元削減ツールである。 本稿では,各独立成分を推定する副産物オンライン時系列アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-28T18:52:37Z)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)

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。