論文の概要: UMATO: Bridging Local and Global Structures for Reliable Visual Analytics with Dimensionality Reduction
- arxiv url: http://arxiv.org/abs/2508.16227v1
- Date: Fri, 22 Aug 2025 08:55:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.329027
- Title: UMATO: Bridging Local and Global Structures for Reliable Visual Analytics with Dimensionality Reduction
- Title（参考訳）: UMATO: 次元削減による信頼性の高いビジュアルアナリティクスのための局所構造とグローバル構造をブリッジする
- Authors: Hyeon Jeon, Kwon Ko, Soohyun Lee, Jake Hyun, Taehyun Yang, Gyehun Go, Jaemin Jo, Jinwook Seo,
- Abstract要約: 次元還元(DR)技術は、元のデータの構造的特性を全て保存することはできない。
DR技術は、局所的近傍構造(局所的手法)または点間の対距離(グローバル手法)のような大域的構造(局所的手法)の保存に重点を置いている。
- 参考スコア（独自算出の注目度）: 15.647677478039668
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Due to the intrinsic complexity of high-dimensional (HD) data, dimensionality reduction (DR) techniques cannot preserve all the structural characteristics of the original data. Therefore, DR techniques focus on preserving either local neighborhood structures (local techniques) or global structures such as pairwise distances between points (global techniques). However, both approaches can mislead analysts to erroneous conclusions about the overall arrangement of manifolds in HD data. For example, local techniques may exaggerate the compactness of individual manifolds, while global techniques may fail to separate clusters that are well-separated in the original space. In this research, we provide a deeper insight into Uniform Manifold Approximation with Two-phase Optimization (UMATO), a DR technique that addresses this problem by effectively capturing local and global structures. UMATO achieves this by dividing the optimization process of UMAP into two phases. In the first phase, it constructs a skeletal layout using representative points, and in the second phase, it projects the remaining points while preserving the regional characteristics. Quantitative experiments validate that UMATO outperforms widely used DR techniques, including UMAP, in terms of global structure preservation, with a slight loss in local structure. We also confirm that UMATO outperforms baseline techniques in terms of scalability and stability against initialization and subsampling, making it more effective for reliable HD data analysis. Finally, we present a case study and a qualitative demonstration that highlight UMATO's effectiveness in generating faithful projections, enhancing the overall reliability of visual analytics using DR.
- Abstract（参考訳）: 高次元(HD)データの本質的な複雑さのため、次元減少(DR)技術は元のデータの構造的特性を全て保存することはできない。
したがって、DR手法は、局所的な近傍構造(局所的手法)や、点間の対距離(グローバル手法)のような大域的構造(英語版)の保存に重点を置いている。
しかし、どちらの手法も、HDデータにおける多様体全体の配置に関する誤った結論をアナリストに誤解させる可能性がある。
例えば、局所的手法は個々の多様体のコンパクトさを誇張するが、大域的手法は元の空間で十分に分離されたクラスターを分離することができない。
本研究では,一様多様体近似と二相最適化(UMATO)について,局所的および大域的構造を効果的に捉えることでこの問題に対処するDR手法について,より深い知見を提供する。
UMATOは、UMAPの最適化プロセスを2つのフェーズに分割することでこれを達成している。
第1段階では、代表点を用いた骨格配置を構築し、第2段階では、地域特性を保ちながら残りの点を投影する。
定量的実験により、UMATOは、グローバルな構造保存の観点から、UMAPを含む広く使われているDR技術よりも、局所構造がわずかに失われていることが確認された。
また、UMATOは、初期化やサブサンプリングに対するスケーラビリティや安定性の観点からベースライン技術よりも優れており、信頼性の高いHDデータ解析に有効であることを確認した。
最後に, DRを用いた視覚分析の総合的信頼性を高めるとともに, 忠実な投影生成におけるUMATOの有効性を明らかにするためのケーススタディと定性的なデモンストレーションを示す。
関連論文リスト
- DREAMS: Preserving both Local and Global Structure in Dimensionality Reduction [10.678089839728889]
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。
論文 参考訳（メタデータ） (2025-08-19T11:39:17Z) - Deepfake Detection that Generalizes Across Benchmarks [63.29485283822232]
この研究は、事前訓練されたCLIPビジョンエンコーダのパラメータ効率適応により、ロバストな一般化が達成可能であることを示す。
2019年から2025年にかけて,13のベンチマークデータセットについて広範な評価を行った。
提案手法は、平均的クロスデータセットAUROCにおける、より複雑な、最新のアプローチよりも優れた、最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-08-08T12:03:56Z) - 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) - Disentangled Federated Learning for Tackling Attributes Skew via
Invariant Aggregation and Diversity Transferring [104.19414150171472]
属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。
本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。
実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
論文 参考訳（メタデータ） (2022-06-14T13:12:12Z) - 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) - HUMAP: Hierarchical Uniform Manifold Approximation and Projection [42.50219822975012]
HUMAPは、局所的・大域的構造の保存に柔軟であるように設計された、新しい階層的次元削減技術である。
提案手法の優位性を示す実証的証拠を現在の階層的アプローチと比較し,データセットラベリングにHUMAPを適用したケーススタディを示す。
論文 参考訳（メタデータ） (2021-06-14T19:27:54Z) - 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)
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。