論文の概要: Consensus dimension reduction via multi-view learning

• arxiv url: http://arxiv.org/abs/2512.15802v1
• Date: Tue, 16 Dec 2025 22:32:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.734169
• Title: Consensus dimension reduction via multi-view learning
• Title（参考訳）: 多視点学習によるコンセンサス次元の縮小
• Authors: Bingxue An, Tiffany M. Tang,
• Abstract要約: 我々は、複数の視覚化を単一のコンセンサス次元の縮小可視化にまとめるコンセンサスアプローチを提唱する。 ここでは,多視点学習のアイデアを活用して,様々な次元の縮小視覚化において,最も安定的あるいは共有的なパターンを識別する。 シミュレーションおよび実世界のケーススタディを通じて,このコンセンサス可視化が共有低次元データ構造を効果的に識別し,保存することを示す。
• 参考スコア（独自算出の注目度）: 0.6015898117103067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A plethora of dimension reduction methods have been developed to visualize high-dimensional data in low dimensions. However, different dimension reduction methods often output different and possibly conflicting visualizations of the same data. This problem is further exacerbated by the choice of hyperparameters, which may substantially impact the resulting visualization. To obtain a more robust and trustworthy dimension reduction output, we advocate for a consensus approach, which summarizes multiple visualizations into a single consensus dimension reduction visualization. Here, we leverage ideas from multi-view learning in order to identify the patterns that are most stable or shared across the many different dimension reduction visualizations, or views, and subsequently visualize this shared structure in a single low-dimensional plot. We demonstrate that this consensus visualization effectively identifies and preserves the shared low-dimensional data structure through both simulated and real-world case studies. We further highlight our method's robustness to the choice of dimension reduction method and hyperparameters -- a highly-desirable property when working towards trustworthy and reproducible data science.
• Abstract（参考訳）: 低次元の高次元データを可視化する多次元縮小法が開発されている。 しかし、異なる次元の縮小法は、しばしば同じデータの異なる、おそらくは矛盾する視覚化を出力する。 この問題はハイパーパラメータの選択によってさらに悪化し、その結果の可視化に大きな影響を及ぼす可能性がある。 より堅牢で信頼性の高い次元縮小出力を得るため、複数の視覚化を単一のコンセンサス次元縮小可視化にまとめるコンセンサスアプローチを提唱する。 そこで我々は,多視点学習のアイデアを活用して,多くの異なる次元の縮小視覚化やビューにおいて最も安定あるいは共有されるパターンを特定し,その共有構造を単一の低次元プロットで視覚化する。 シミュレーションおよび実世界のケーススタディを通じて,このコンセンサス可視化が共有低次元データ構造を効果的に識別し,保存することを示す。 さらに、信頼性と再現性のあるデータサイエンスに取り組む際に、非常に望ましい特性である次元縮小法とハイパーパラメータの選択に対する我々の手法の堅牢性を強調します。

関連論文リスト

• Interpretable dimension reduction for compositional data [14.60927508571862]
  高次元の合成データは、単純な制約と過剰な零点のため、ユニークな統計的問題を引き起こす。 本稿では、余分な変換とゼロな計算を避けるために、合成データの解釈可能な次元削減のための新しいフレームワークを提案する。 提案手法は, 3次プロットで可視化可能な高次元の単純体に直接写像することで, 演算を軟化することでアマルガメーションの概念を一般化する。
  論文  参考訳（メタデータ） (2025-09-06T02:16:21Z)
• Synthesizing Consistent Novel Views via 3D Epipolar Attention without Re-Training [102.82553402539139]
  大規模な拡散モデルでは、単一画像からの新規なビュー合成において顕著なゼロショット機能を示す。 これらのモデルは、新規および参照ビュー間の一貫性を維持する上で、しばしば課題に直面します。 入力ビューから重なり合う情報の探索と検索にエピポーラ幾何を用いることを提案する。 この情報はターゲットビューの生成に組み込まれ、トレーニングや微調整の必要がなくなる。
  論文  参考訳（メタデータ） (2025-02-25T14:04:22Z)
• Simultaneous Dimensionality Reduction for Extracting Useful Representations of Large Empirical Multimodal Datasets [0.0]
  我々は,高次元データから低次元記述を得る手段として,次元減少の科学に焦点をあてる。 我々は,システム内の複雑な相互作用や高次元力学系など,従来の仮定に反する実世界のデータによって引き起こされる課題に対処する。
  論文  参考訳（メタデータ） (2024-10-23T21:27:40Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• 360 Layout Estimation via Orthogonal Planes Disentanglement and Multi-view Geometric Consistency Perception [56.84921040837699]
  既存のパノラマ配置推定ソリューションは、垂直圧縮されたシーケンスから部屋の境界を復元し、不正確な結果をもたらす傾向にある。 そこで本稿では,直交平面不整合ネットワーク(DOPNet)を提案し,あいまいな意味論を識別する。 また,水平深度と比表現に適した教師なし適応手法を提案する。 本手法は,単分子配置推定と多視点レイアウト推定の両タスクにおいて,他のSoTAモデルよりも優れる。
  論文  参考訳（メタデータ） (2023-12-26T12:16:03Z)
• Subspace-Contrastive Multi-View Clustering [0.0]
  本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。 ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。 提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
  論文  参考訳（メタデータ） (2022-10-13T07:19:37Z)
• NCVis: Noise Contrastive Approach for Scalable Visualization [79.44177623781043]
  NCVisはノイズコントラスト推定の音響統計的基礎の上に構築された高性能次元減少法である。 NCVisは,他の手法の表現品質を保ちながら,速度の観点から最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-30T15:43:50Z)

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。