論文の概要: Conditional Multidimensional Scaling with Incomplete Conditioning Data

• arxiv url: http://arxiv.org/abs/2509.16627v1
• Date: Sat, 20 Sep 2025 11:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.893368
• Title: Conditional Multidimensional Scaling with Incomplete Conditioning Data
• Title（参考訳）: 不完全条件データを用いた条件付き多次元スケーリング
• Authors: Anh Tuan Bui,
• Abstract要約: 条件付き多次元スケーリングは、ペアの相似性から低次元の構成を求める。 本稿では,特徴量に欠損がある場合の低次元構成を学習できる条件付き多次元スケーリング手法を提案する。
• 参考スコア（独自算出の注目度）: 8.684302613224338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional multidimensional scaling seeks for a low-dimensional configuration from pairwise dissimilarities, in the presence of other known features. By taking advantage of available data of the known features, conditional multidimensional scaling improves the estimation quality of the low-dimensional configuration and simplifies knowledge discovery tasks. However, existing conditional multidimensional scaling methods require full data of the known features, which may not be always attainable due to time, cost, and other constraints. This paper proposes a conditional multidimensional scaling method that can learn the low-dimensional configuration when there are missing values in the known features. The method can also impute the missing values, which provides additional insights of the problem. Computer codes of this method are maintained in the cml R package on CRAN.
• Abstract（参考訳）: 条件付き多次元スケーリングは、他の既知の特徴の存在下で、ペアの相違点から低次元の構成を求める。 既知の特徴の利用可能なデータを活用することで、条件付き多次元スケーリングは、低次元構成の推定品質を改善し、知識発見タスクを単純化する。 しかし、既存の条件付き多次元スケーリング手法は既知の特徴の完全なデータを必要とするため、時間、コスト、その他の制約によって常に達成できるとは限らない。 本稿では,特徴量に欠損がある場合の低次元構成を学習できる条件付き多次元スケーリング手法を提案する。 この方法は、欠落した値を暗示することもでき、問題に関するさらなる洞察を提供する。 この手法のコンピュータコードはCRANのcml Rパッケージで維持される。

関連論文リスト

• Order-Preserving Dimension Reduction for Multimodal Semantic Embedding [0.8695396732128153]
  次数保存次元削減は,低次元空間におけるKNNのランクを保ちつつ,埋め込みの次元性を低減することを目的としている。 我々はOPDRを複数の最先端次元推論技術、距離関数、埋め込みモデルと統合した。 様々なマルチモーダルデータセットの実験により、OPDRは計算コストを大幅に削減しつつ、リコール精度を効果的に維持することを示した。
  論文  参考訳（メタデータ） (2024-08-15T22:30:44Z)
• ShaRP: Shape-Regularized Multidimensional Projections [71.30697308446064]
  本稿では,生成した散布板の視覚的シグネチャをユーザが明示的に制御できる新しいプロジェクション技術,ShaRPを提案する。 ShaRPは次元とデータセットサイズによく対応し、任意の定量的データセットを汎用的に処理する。
  論文  参考訳（メタデータ） (2023-06-01T11:16:58Z)
• Non-Separable Multi-Dimensional Network Flows for Visual Computing [62.50191141358778]
  本研究では,非分離型多次元ネットワークフローに対する新しい定式化法を提案する。 フローは次元ごとに定義されるので、最大化フローは自動的に最適な特徴次元を選択する。 概念実証として,マルチオブジェクト追跡問題にフォーマリズムを適用し,ノイズに対するロバスト性の観点からMOT16ベンチマークのスカラー定式化よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-15T13:21:44Z)
• Probabilistic Shape Completion by Estimating Canonical Factors with Hierarchical VAE [48.03685702899071]
  本稿では,点雲の部分観測から3次元形状完成法を提案する。 提案手法は,局所特徴体全体を1つのフィードフォワードネットワークで推定する。 完全特徴量の正準因子を確率的に推定するために, 微小な正準関数を持つ階層的変分オートエンコーダ (VAE) を用いる。
  論文  参考訳（メタデータ） (2022-12-06T23:41:31Z)
• DimenFix: A novel meta-dimensionality reduction method for feature preservation [64.0476282000118]
  そこで我々は, グラデーション・ディフレッシブなプロセスを含む任意の基本次元還元法で操作できる新しいメタメソド, DimenFixを提案する。 DimenFixは、ディメンタリティの削減と見なされるさまざまな機能の重要性をユーザが定義できるようにすることで、与えられたデータセットを視覚化し、理解する新たな可能性を生み出します。
  論文  参考訳（メタデータ） (2022-11-30T05:35:22Z)
• Dataset Condensation with Latent Space Knowledge Factorization and Sharing [73.31614936678571]
  与えられたデータセットの規則性を利用してデータセットの凝縮問題を解決する新しい手法を提案する。 データセットを元の入力空間に直接凝縮するのではなく、学習可能な一連のコードでデータセットの生成プロセスを仮定する。 提案手法は,様々なベンチマークデータセットに対して,有意なマージンで新しい最先端記録を達成できることを実験的に示す。
  論文  参考訳（メタデータ） (2022-08-21T18:14:08Z)
• SQuadMDS: a lean Stochastic Quartet MDS improving global structure preservation in neighbor embedding like t-SNE and UMAP [3.7731754155538164]
  この研究は、N個のデータポイントを持つO(N)の時間と空間の複雑さを伴う多次元スケーリングへの強制的アプローチを導入する。 この方法は、t-SNEのような近隣の埋め込みのファミリーの強制的レイアウトと組み合わせて、データのグローバル構造とローカル構造の両方を保存する埋め込みを生成することができる。
  論文  参考訳（メタデータ） (2022-02-24T13:14:58Z)
• Dimension Reduction with Prior Information for Knowledge Discovery [3.768464152174593]
  本稿では,条件付き多次元スケーリング(MDS)と呼ばれる手法のクラスを提案する。 また,条件付きMDSの目的関数を最適化するアルゴリズムを開発した。 条件付きMDSは、親族関係用語、表情、織物、カーブランド認識、シリンダー加工の例で説明される。
  論文  参考訳（メタデータ） (2021-11-26T18:19:25Z)
• A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
  本稿では,Vec2vecという新しい局所非線形手法を提案する。 ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-10T23:10:47Z)
• Multi-Objective Genetic Programming for Manifold Learning: Balancing Quality and Dimensionality [4.4181317696554325]
  最先端の多様体学習アルゴリズムはこの変換の実行方法において不透明である。 多様体の品質と次元の競合する目的を自動的にバランスさせる多目的アプローチを導入する。 提案手法は,基礎および最先端の多様体学習手法と競合する。
  論文  参考訳（メタデータ） (2020-01-05T23:24:33Z)

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。