論文の概要: DREAMS: Preserving both Local and Global Structure in Dimensionality Reduction
- arxiv url: http://arxiv.org/abs/2508.13747v1
- Date: Tue, 19 Aug 2025 11:39:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-20 15:36:31.903362
- Title: DREAMS: Preserving both Local and Global Structure in Dimensionality Reduction
- Title（参考訳）: DREAMS: 次元化における局所構造とグローバル構造の両立
- Authors: Noël Kury, Dmitry Kobak, Sebastian Damrich,
- Abstract要約: DREAMSは,$t$-SNEの局所構造保存とPCAのグローバル構造保存を簡単な正規化項で組み合わせた手法である。
DREAMSを、単細胞転写学の5つと集団遺伝学の1つを含む、現実世界の7つのデータセットでベンチマークする。
- 参考スコア（独自算出の注目度）: 10.678089839728889
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dimensionality reduction techniques are widely used for visualizing high-dimensional data in two dimensions. Existing methods are typically designed to preserve either local (e.g. $t$-SNE, UMAP) or global (e.g. MDS, PCA) structure of the data, but none of the established methods can represent both aspects well. In this paper, we present DREAMS (Dimensionality Reduction Enhanced Across Multiple Scales), a method that combines the local structure preservation of $t$-SNE with the global structure preservation of PCA via a simple regularization term. Our approach generates a spectrum of embeddings between the locally well-structured $t$-SNE embedding and the globally well-structured PCA embedding, efficiently balancing both local and global structure preservation. We benchmark DREAMS across seven real-world datasets, including five from single-cell transcriptomics and one from population genetics, showcasing qualitatively and quantitatively its superior ability to preserve structure across multiple scales compared to previous approaches.
- Abstract（参考訳）: 2次元の高次元データの可視化に広く用いられている。
既存のメソッドは通常、データのローカル(例えば$t$-SNE, UMAP)またはグローバル(eg MDS, PCA)構造を保存するように設計されている。
本稿では, DREAMS(Digitality Reduction Enhanced Across Multiple Scales)を提案する。これは,$t$-SNEの局所構造保存と, 簡単な正規化項によるPCAのグローバル構造保存を組み合わせた手法である。
提案手法は, 局所的に構造化された$t$-SNE埋め込みと, グローバルに構造化されたPCA埋め込みの間に, 局所的およびグローバルな構造保存の両面を効率的にバランスさせて, 埋め込みのスペクトルを生成する。
DREAMSを単細胞転写学の5つと集団遺伝学の1つを含む7つの実世界のデータセットでベンチマークし、従来のアプローチと比較して、複数のスケールにまたがる構造を維持する能力の質的かつ定量的に示す。
関連論文リスト
- CMET: Clustering guided METric for quantifying embedding quality [0.0]
クラスタリングガイドMETric(CMET)は埋め込み品質を定量化する指標である。
CMETは, 局所的および大域的形状保存能力を測定する2つのスコア, viz., CMET_L, CMET_Gからなる。
その結果、CMETの最先端手法に対する良好な性能が反映された。
論文 参考訳（メタデータ） (2025-07-07T10:02:34Z) - Dimensionality reduction for homological stability and global structure preservation [49.84018914962972]
本稿では,UMAP や tSNE といった従来の手法が直面する課題に対処するために,新しい次元削減ツールキットを提案する。
JAXフレームワーク上に構築されたDiReは、現代的なハードウェアアクセラレーションを活用し、複雑なデータ構造を視覚化するための効率的でスケーラブルで解釈可能なソリューションを提供する。
このツールキットは、最先端の UMAP や tSNE の実装と比較して、データ内のローカル構造とグローバル構造の両方を保存することにかなり有望である。
論文 参考訳（メタデータ） (2025-03-05T03:56:01Z) - Efficient Multi-View Graph Clustering with Local and Global Structure
Preservation [59.49018175496533]
局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。
具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。
さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
論文 参考訳（メタデータ） (2023-08-31T12:12:30Z) - Uniform Manifold Approximation with Two-phase Optimization [13.229510087215552]
UMAPを改善するために二相最適化 (UMATO) を用いた一様多様体近似を導入する。
UMATOは、高次元データのグローバル構造をより正確に捉えるために、UMAPを改善した次元還元(DR)技術である。
論文 参考訳（メタデータ） (2022-05-01T08:19:52Z) - Deep Recursive Embedding for High-Dimensional Data [9.611123249318126]
本稿では,DNN(Deep Neural Network)と高次元データ埋め込みのための数学誘導埋め込みルールを組み合わせることを提案する。
本稿では,高次元空間から低次元空間へのパラメトリックマッピングを学習可能な汎用ディープ埋め込みネットワーク(DEN)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-31T23:22:33Z) - GenURL: A General Framework for Unsupervised Representation Learning [58.59752389815001]
教師なし表現学習(URL)は、教師なしの高次元データのコンパクトな埋め込みを学習する。
本稿では,様々なURLタスクにスムーズに適応可能な類似性ベースの統合URLフレームワークGenURLを提案する。
実験により、GenURLは、自己教師付き視覚学習、無教師付き知識蒸留(KD)、グラフ埋め込み(GE)、次元縮小において、一貫した最先端性能を達成することが示された。
論文 参考訳（メタデータ） (2021-10-27T16:24:39Z) - Unveiling the Potential of Structure-Preserving for Weakly Supervised
Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。
第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。
第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文 参考訳（メタデータ） (2021-03-08T03:04:14Z) - Understanding How Dimension Reduction Tools Work: An Empirical Approach
to Deciphering t-SNE, UMAP, TriMAP, and PaCMAP for Data Visualization [28.05893410353414]
t-SNE、UMAP、TriMAPのような次元減少(DR)技術は、多くの実世界のデータセットで顕著な可視化性能を示している。
これらの方法に常に直面している緊張の1つは、グローバル構造の保存とローカル構造の保存のトレードオフです。
Pairwise Controlled Manifold Approximation Projection (PaCMAP)と呼ばれるDRの新しいアルゴリズムを設計するためにこれらの知見を活用する。
私たちの仕事は、DRアルゴリズムを構築する際の設計の選択と回避の両方について、予期せぬ洞察を提供します。
論文 参考訳（メタデータ） (2020-12-08T14:50:45Z) - Dual-constrained Deep Semi-Supervised Coupled Factorization Network with
Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。
隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。
我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文 参考訳（メタデータ） (2020-09-08T13:10:21Z) - Supervised Discriminative Sparse PCA with Adaptive Neighbors for
Dimensionality Reduction [47.1456603605763]
そこで本研究では, 適応隣り合わせの線形次元削減手法(SDSPCAAN)を提案する。
その結果、グローバルデータ構造とローカルデータ構造、およびラベル情報の両方が、より次元性の低減に使用される。
論文 参考訳（メタデータ） (2020-01-09T17:02:26Z)
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。