論文の概要: MAPLE: Self-supervised Learning-Enhanced Nonlinear Dimensionality Reduction for Visual Analysis

• arxiv url: http://arxiv.org/abs/2601.20173v1
• Date: Wed, 28 Jan 2026 02:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.729298
• Title: MAPLE: Self-supervised Learning-Enhanced Nonlinear Dimensionality Reduction for Visual Analysis
• Title（参考訳）: MAPLE:視覚分析のための自己教師付き学習強化非線形次元性低減
• Authors: Zeyang Huang, Takanori Fujiwara, Angelos Chatzimparmpas, Wandrille Duchemin, Andreas Kerren,
• Abstract要約: 多様体モデルの改良によりUMAPを向上する新しい非線形次元減少法であるMAPLEを提案する。 MAPLEは、低次元多様体幾何学をより効率的にエンコードするために、自己教師付き学習アプローチを採用している。
• 参考スコア（独自算出の注目度）: 6.439058650518508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a new nonlinear dimensionality reduction method, MAPLE, that enhances UMAP by improving manifold modeling. MAPLE employs a self-supervised learning approach to more efficiently encode low-dimensional manifold geometry. Central to this approach are maximum manifold capacity representations (MMCRs), which help untangle complex manifolds by compressing variances among locally similar data points while amplifying variance among dissimilar data points. This design is particularly effective for high-dimensional data with substantial intra-cluster variance and curved manifold structures, such as biological or image data. Our qualitative and quantitative evaluations demonstrate that MAPLE can produce clearer visual cluster separations and finer subcluster resolution than UMAP while maintaining comparable computational cost.
• Abstract（参考訳）: 多様体モデルの改良によりUMAPを向上する新しい非線形次元減少法であるMAPLEを提案する。 MAPLEは、低次元多様体幾何学をより効率的にエンコードするために、自己教師付き学習アプローチを採用している。 このアプローチの中心は最大多様体キャパシティ表現(MMCR)であり、これは局所的な類似データポイント間の分散を圧縮し、異データポイント間の分散を増幅することにより複素多様体をアンタングル化するのに役立つ。 この設計は、特に、クラスタ内ばらつきと、生物学的データや画像データなどの湾曲した多様体構造を持つ高次元データに有効である。 定性的かつ定量的な評価により,MAPLE は UMAP よりも鮮明な視覚的クラスタ分離と細かなサブクラスタ分解能を達成でき,計算コストも同等に維持できることを示した。

関連論文リスト

• An Incremental Non-Linear Manifold Approximation Method [0.0]
  本研究では, GMRA(Geometric Multi-Resolution Analysis) フレームワークを用いて, ストリーミングデータに対する漸進的非線形次元低減法を開発した。 提案手法は,クラスタマップ,PCAベクトル,ウェーブレット係数を漸進的に更新することで,リアルタイムなデータ解析と可視化を可能にする。
  論文  参考訳（メタデータ） (2025-04-12T03:54:05Z)
• 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)
• Sampling-enabled scalable manifold learning unveils the discriminative cluster structure of high-dimensional data [17.411028691739897]
  大規模・高次元データに対して一様および識別的埋め込み(SUDE)を可能にする,サンプリングベースでスケーラブルな多様体学習手法を提案する。 合成データセットと実世界のベンチマークにおけるSUDEの有効性を実証的に検証し, 単細胞データの解析と心電図信号の異常検出に応用した。
  論文  参考訳（メタデータ） (2024-01-02T08:43:06Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [45.29194877564103]
  本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。 このようなネットワークの近似力を議論し、周囲空間の次元ではなく、本質的にデータ多様体の内在次元に依存する境界を導出する。
  論文  参考訳（メタデータ） (2022-08-22T19:58:03Z)
• CCP: Correlated Clustering and Projection for Dimensionality Reduction [5.992724190105578]
  Correlated Clustering and Projectionは、マトリックスを解決する必要のない、新しいデータドメイン戦略を提供する。 CCPは、高次元の機能を相関クラスタに分割し、各クラスタの相関した機能を1次元の表現に分割する。 提案手法は、さまざまな機械学習アルゴリズムに関連するベンチマークデータセットを用いて検証される。
  論文  参考訳（メタデータ） (2022-06-08T23:14:44Z)
• Graph Embedding via High Dimensional Model Representation for Hyperspectral Images [9.228929858529678]
  リモートセンシング画像の多様体構造を学習することは、モデリングおよび理解プロセスにおける最重要事項である。 ハイパスペクトル画像解析(HSI)に対処するためのマナーラーニング手法は優れた性能を示した。 この問題に対処する一般的な仮定は、高次元の入力空間と(典型的には低い)潜在空間の間の変換が線型であるということである。 提案手法は,その線形学習法とともに多様体学習法と比較し,代表的ハイパースペクトル画像の分類精度の観点から有望な性能を実現する。
  論文  参考訳（メタデータ） (2021-11-29T16:42:15Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。