Fugu-MT 論文翻訳(概要): ShapDBM: Exploring Decision Boundary Maps in Shapley Space

論文の概要: ShapDBM: Exploring Decision Boundary Maps in Shapley Space

arxiv url: http://arxiv.org/abs/2603.22235v1
Date: Mon, 23 Mar 2026 17:31:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-24 19:11:39.81516
Title: ShapDBM: Exploring Decision Boundary Maps in Shapley Space
Title（参考訳）: ShapDBM:シェープ空間における決定境界マップの探索
Authors: Luke Watkin, Daniel Archambault, Alex Telea,
Abstract要約: 決定境界マップ(DBMs)は機械学習の分類境界を視覚化する有効なツールである。しかし、DBMの品質は、データポイントに使用される次元還元(DR)技術と高次元空間に強く依存している。本稿では,データ空間をShapley空間に変換し,DRを演算することでDBMを計算するための新しい手法を提案する。
参考スコア（独自算出の注目度）: 2.9231081285614184
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Decision Boundary Maps (DBMs) are an effective tool for visualising machine learning classification boundaries. Yet, DBM quality strongly depends on the dimensionality reduction (DR) technique and high dimensional space used for the data points. For complex ML datasets, DR can create many mixed classes which, in turn, yield DBMs that are hard to use. We propose a new technique to compute DBMs by transforming data space into Shapley space and computing DR on it. Compared to standard DBMs computed directly from data, our maps have similar or higher quality metric values and visibly more compact, easier to explore, decision zones.
Abstract（参考訳）: 決定境界マップ(DBMs)は機械学習の分類境界を視覚化する有効なツールである。しかし、DBMの品質は、データポイントに使用される次元還元(DR)技術と高次元空間に強く依存している。複雑なMLデータセットでは、DRは多くの混合クラスを生成し、その結果として、使いにくいDBMを生成する。本稿では,データ空間をShapley空間に変換し,DRを演算することでDBMを計算するための新しい手法を提案する。データから直接計算される標準的なDBMと比較すると、私たちのマップは類似またはより高い品質のメトリック値を持ち、視覚的によりコンパクトで、探索が容易な決定ゾーンを持っています。

関連論文リスト

Geometric Operator Learning with Optimal Transport [77.16909146519227]
複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
論文参考訳（メタデータ） (2025-07-26T21:28:25Z)
Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models [63.331590876872944]
本稿では,事前学習したエネルギーベースモデルから直接リーマン計量を導出する手法を提案する。これらの測度は空間的に異なる距離を定義し、測地学の計算を可能にする。 EBM由来のメトリクスは、確立されたベースラインを一貫して上回ります。
論文参考訳（メタデータ） (2025-05-23T12:18:08Z)
SACB-Net: Spatial-awareness Convolutions for Medical Image Registration [48.688756221571516]
本研究では,特徴表現における空間情報を強化するために,SACB(Spatial-Awareness Convolution Block)を提案する。我々のSACBは特徴の類似性を利用して特徴マップ内の空間的クラスタを推定する。マルチスケールフロー合成を容易にするためにSACBを統合するピラミッドフロー推定器(SACB-Net)を導入する。
論文参考訳（メタデータ） (2025-03-25T12:14:21Z)
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)
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)
CBMAP: Clustering-based manifold approximation and projection for dimensionality reduction [0.0]
データ次元を減少させるために次元性低減法が用いられる。本研究は,次元削減のためのクラスタリングに基づくアプローチであるCBMAPを紹介する。 CBMAPは、大域的構造と局所的構造の両方を保存することを目的としており、低次元空間のクラスターが高次元空間のクラスタと密接に類似していることを保証する。
論文参考訳（メタデータ） (2024-04-27T15:44:21Z)
Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
距離ベース次元削減手法に周辺情報を組み込む手法を提案する。画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
論文参考訳（メタデータ） (2022-02-18T13:17:43Z)
Scalable semi-supervised dimensionality reduction with GPU-accelerated EmbedSOM [0.0]
BlosSOMは高次元データセットの対話型ユーザステアブル可視化のための高性能半教師付き次元減少ソフトウェアである。現実的なデータセットにBlosSOMを適用することで、ユーザが指定したレイアウトを組み込んだ高品質な視覚化と、特定の機能に集中することが可能になる。
論文参考訳（メタデータ） (2022-01-03T15:06:22Z)
Visual Cluster Separation Using High-Dimensional Sharpened Dimensionality Reduction [65.80631307271705]
高次元シャープ化DR(HD-SDR)は、合成データセットと実世界のデータセットの両方で試験される。提案手法は,高品質(品質指標による測定)を達成し,大規模高次元データを用いて計算的に精度よくスケールする。具体的な応用を説明するため,近年の天文カタログにHD-SDRを適用した。
論文参考訳（メタデータ） (2021-10-01T11:13:51Z)
Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文参考訳（メタデータ） (2021-06-08T00:30:43Z)

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。