Fugu-MT 論文翻訳(概要): The Theory behind UMAP?

論文の概要: The Theory behind UMAP?

arxiv url: http://arxiv.org/abs/2603.03375v1
Date: Mon, 02 Mar 2026 23:54:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-05 21:29:15.02232
Title: The Theory behind UMAP?
Title（参考訳）: UMAPの背後にある理論?
Authors: David Wegmann,
Abstract要約: Spivak の関手と McInnes et al. の有限変量を完全に導出する自己完結した文書を提供する。最後に、UMAPアルゴリズムと、このアルゴリズムの特性と、McInnes et al. の UMAPアルゴリズムに対する有限変量対応に関する主張について議論する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In 2018, McInnes et al. introduced a dimensionality reduction algorithm called UMAP, which enjoys wide popularity among data scientists. Their work introduces a finite variant of a functor called the metric realization, based on an unpublished draft by Spivak. This draft contains many errors, most of which are reproduced by McInnes et al. and subsequent publications. This article aims to repair these errors and provide a self-contained document with the full derivation of Spivak's functors and McInnes et al.'s finite variant. We contribute an explicit description of the metric realization and related functors. At the end, we discuss the UMAP algorithm, as well as claims about properties of the algorithm and the correspondence of McInnes et al.'s finite variant to the UMAP algorithm.
Abstract（参考訳）: 2018年、McInnesらはUMAPと呼ばれる次元削減アルゴリズムを導入した。彼らの研究は、スピヴァックの未発表のドラフトに基づいて、計量実現と呼ばれる関手の有限変種を導入する。この草稿には多くの誤りが含まれているが、その多くはマクインズらによって再現され、その後に出版された。この記事では、これらの誤りを修復し、スピヴァックの関手とマクインズら有限変種を完全に導出した自己完結した文書を提供することを目的としている。我々は計量実現と関連する関手について明示的な記述を貢献する。最後に,UMAPアルゴリズムの特性と,McInnes et al の UMAP アルゴリズムに対する有限変量対応について述べる。

関連論文リスト

Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
論文参考訳（メタデータ） (2024-04-15T12:38:46Z)
Cobra Effect in Reference-Free Image Captioning Metrics [58.438648377314436]
視覚言語事前学習モデル(VLM)を活用した参照フリー手法の普及が出現している。本稿では,基準自由度に欠陥があるかどうかを考察する。 GPT-4Vは生成した文を評価するための評価ツールであり,提案手法がSOTA(State-of-the-art)の性能を達成することを示す。
論文参考訳（メタデータ） (2024-02-18T12:36:23Z)
Robust affine point matching via quadratic assignment on Grassmannians [50.366876079978056]
Robust Affine Matching with Grassmannians (RoAM) は点雲のアフィン登録を行うアルゴリズムである。このアルゴリズムは、グラスマンの2つの要素間のフロベニウス距離を最小化することに基づいている。
論文参考訳（メタデータ） (2023-03-05T15:27:24Z)
Machine Learning-Aided Efficient Decoding of Reed-Muller Subcodes [59.55193427277134]
Reed-Muller (RM) 符号は、一般的なバイナリインプットメモリレス対称チャネルの容量を達成する。 RM符号は制限されたレートのみを許容する。効率的なデコーダは、RM符号に対して有限長で利用可能である。
論文参考訳（メタデータ） (2023-01-16T04:11:14Z)
Unbiased constrained sampling with Self-Concordant Barrier Hamiltonian Monte Carlo [18.14591309607824]
Barrier Hamiltonian Monte Carlo (BHMC) は、多様体 $mathrmM$ 上の Gibbs 分布 $pi$ からサンプリングすることを目的とした HMC アルゴリズムのバージョンである。本稿では,この問題に対処するため,新たなフィルタステップである"進化チェックステップ"を提案する。我々の主な結果は、これらの2つの新しいアルゴリズムが$pi$に対して可逆的なマルコフ連鎖を生成し、以前の実装と比較してバイアスに悩まされないことを証明している。
論文参考訳（メタデータ） (2022-10-21T12:56:07Z)
Learning Shared Kernel Models: the Shared Kernel EM algorithm [0.0]
予測最大化 (EM) は有限混合分布のパラメータを推定するための教師なし学習法である。まず、複数の目標追跡の分野からのデータアソシエーションのアイデアを用いた標準EMアルゴリズムの再帰について述べる。この手法は、共有カーネルモデルに対して、ほとんど知られていないがより一般的なタイプの教師付きEMアルゴリズムに適用される。
論文参考訳（メタデータ） (2022-05-15T10:10:08Z)
Uniform Manifold Approximation and Projection (UMAP) and its Variants: Tutorial and Survey [5.967999555890417]
ユニフォーマルマニフォールド近似・投影(Uniform Manifold Approximation and Projection, UMAP)は、次元の減少とデータの可視化のための最先端の手法の1つである。 UMAPとその変種に関するチュートリアルおよび調査論文。
論文参考訳（メタデータ） (2021-08-25T00:45:01Z)
Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning [56.17603785248675]
モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。本稿では,MAMLのメモリベースアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-09T08:47:58Z)
Machine Learning and Variational Algorithms for Lattice Field Theory [1.198562319289569]
格子量子場論の研究において、格子理論を定義するパラメータは連続体物理学にアクセスする臨界性に向けて調整されなければならない。経路積分の領域に適用される輪郭変形に基づいてモンテカルロ推定器を「変形」する手法を提案する。我々は,フローベースMCMCが臨界減速を緩和し,オブザーシフォールドが原理的応用のばらつきを指数関数的に低減できることを実証した。
論文参考訳（メタデータ） (2021-06-03T16:37:05Z)
Search Methods for Sufficient, Socially-Aligned Feature Importance Explanations with In-Distribution Counterfactuals [72.00815192668193]
特徴重要度(FI)推定は一般的な説明形式であり、テスト時に特定の入力特徴を除去することによって生じるモデル信頼度の変化を計算し、評価することが一般的である。 FIに基づく説明の未探索次元についていくつかの考察を行い、この説明形式に対する概念的および実証的な改善を提供する。
論文参考訳（メタデータ） (2021-06-01T20:36:48Z)
Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
論文参考訳（メタデータ） (2020-11-17T12:39:44Z)
From the Expectation Maximisation Algorithm to Autoencoded Variational Bayes [0.0]
まず,K$成分混合密度のパラメータを推定するためのEMアルゴリズムのチュートリアルを提示する。ビショップの2009年の書籍と同様のスタイルで、偏微分ベイズ推定を一般化EMアルゴリズムとして提示する。我々は,EMアルゴリズムとその変分変数との明確なリンクを確立し,従って「潜伏変数」の意味を明らかにする。
論文参考訳（メタデータ） (2020-10-23T17:23:26Z)

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。