論文の概要: Mind the Gaps: Measuring Visual Artifacts in Dimensionality Reduction
- arxiv url: http://arxiv.org/abs/2511.14544v1
- Date: Tue, 18 Nov 2025 14:45:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:53.161354
- Title: Mind the Gaps: Measuring Visual Artifacts in Dimensionality Reduction
- Title（参考訳）: マインド・ザ・ギャップ(Mind the Gaps) - 次元減少における視覚アーチファクトの測定
- Authors: Jaume Ros, Alessio Arleo, Fernando Paulovich,
- Abstract要約: 本稿では2次元平面上のDRプロジェクションの品質を測定するための新しい指標であるWarping Index(WI)を紹介する。
いくつかのプロジェクション品質指標 (PQMs) はDRプロジェクションの適合性を定量化するツールとして開発されている。
- 参考スコア（独自算出の注目度）: 44.77734181371317
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dimensionality Reduction (DR) techniques are commonly used for the visual exploration and analysis of high-dimensional data due to their ability to project datasets of high-dimensional points onto the 2D plane. However, projecting datasets in lower dimensions often entails some distortion, which is not necessarily easy to recognize but can lead users to misleading conclusions. Several Projection Quality Metrics (PQMs) have been developed as tools to quantify the goodness-of-fit of a DR projection; however, they mostly focus on measuring how well the projection captures the global or local structure of the data, without taking into account the visual distortion of the resulting plots, thus often ignoring the presence of outliers or artifacts that can mislead a visual analysis of the projection. In this work, we introduce the Warping Index (WI), a new metric for measuring the quality of DR projections onto the 2D plane, based on the assumption that the correct preservation of empty regions between points is of crucial importance towards a faithful visual representation of the data.
- Abstract（参考訳）: 2次元平面上に高次元点のデータセットを投影する能力により、高次元データの視覚的探索と解析に一般的にDR技術が用いられている。
しかし、低次元のデータセットを投影することは、しばしばある程度の歪みを伴い、必ずしも認識し易くはないが、ユーザーが誤解を招く結論を導き出す可能性がある。
いくつかのプロジェクション品質指標 (PQMs) はDRプロジェクションの適合性を定量化するツールとして開発されているが、プロジェクションがプロジェクションの視覚的歪みを考慮せずに、プロジェクションがデータのグローバル構造やローカル構造をどれだけうまく捉えているかを測定することに主に焦点を当てているため、プロジェクションの視覚的分析を誤解させるようなアウトレーヤやアーティファクトの存在を無視することが多い。
本研究では,点間の空き領域の正しい保存がデータの忠実な視覚的表現にとって重要であるという仮定に基づいて,DRプロジェクションの2次元平面への質を測定するための新しい指標であるウォーピング指標(WI)を紹介する。
関連論文リスト
- Assessing and improving reliability of neighbor embedding methods: a map-continuity perspective [2.969441406380581]
近隣の t-SNE や UMAP などの埋め込み法は広く用いられているが、誤解を招く視覚的アーティファクトを導入することがある。
LOO-mapは,個々の点から入力空間全体への埋め込みマップを拡張するフレームワークである。
論文 参考訳（メタデータ） (2024-10-22T01:40:43Z) - Pattern or Artifact? Interactively Exploring Embedding Quality with TRACE [10.103826383675646]
TRACEは次元還元技術によって生成された2次元埋め込みの質を分析するツールである。
インタラクティブなブラウザベースのインターフェースにより、ユーザは様々な埋め込みを探索し、ポイントワイドな埋め込み品質を視覚的に評価することができる。
論文 参考訳（メタデータ） (2024-06-18T14:57:31Z) - FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。
本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
論文 参考訳（メタデータ） (2023-12-28T14:52:07Z) - GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection [92.41859045360532]
我々はGUPNet++(Geometry Uncertainty Propagation Network)を提案する。
トレーニング中の幾何射影の不確実性伝播関係をモデル化し、エンドツーエンドのモデル学習の安定性と効率を向上させる。
実験により,提案手法は画像ベースモノクロ3次元検出におけるSOTA性能を得るだけでなく,簡易なフレームワークで有効性を示す。
論文 参考訳（メタデータ） (2023-10-24T08:45:15Z) - On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。
本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
論文 参考訳（メタデータ） (2023-03-26T22:32:44Z) - Feature Learning for Dimensionality Reduction toward Maximal Extraction
of Hidden Patterns [25.558967594684056]
高次元データの視覚解析において,DRは重要な役割を担っている。
本稿では,非線形DRに最適化されたデータ投影セットを生成するための特徴学習フレームワークFEALMを提案する。
得られたDR結果の比較と各DR結果の解釈を支援するインタラクティブな可視化手法を開発した。
論文 参考訳（メタデータ） (2022-06-28T11:18:19Z) - UnProjection: Leveraging Inverse-Projections for Visual Analytics of
High-Dimensional Data [63.74032987144699]
提案するNNInvは,プロジェクションやマッピングの逆を近似する深層学習技術である。
NNInvは、2次元投影空間上の任意の点から高次元データを再構成することを学び、ユーザーは視覚分析システムで学習した高次元表現と対話することができる。
論文 参考訳（メタデータ） (2021-11-02T17:11:57Z)
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。