論文の概要: The Rashomon Effect for Visualizing High-Dimensional Data

• arxiv url: http://arxiv.org/abs/2604.00485v1
• Date: Wed, 01 Apr 2026 05:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.840075
• Title: The Rashomon Effect for Visualizing High-Dimensional Data
• Title（参考訳）: 高次元データの可視化における羅生門効果
• Authors: Yiyang Sun, Haiyang Huang, Gaurav Rajesh Parikh, Cynthia Rudin,
• Abstract要約: 複数の埋め込みは、レイアウトや幾何学において異なるが、高次元データの構造を等しく保存することができる。 これを取り入れることによって、より強力で信頼できる表現がもたらされることを示す。
• 参考スコア（独自算出の注目度）: 25.084827450686763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dimension reduction (DR) is inherently non-unique: multiple embeddings can preserve the structure of high-dimensional data equally well while differing in layout or geometry. In this paper, we formally define the Rashomon set for DR -- the collection of `good' embedding -- and show how embracing this multiplicity leads to more powerful and trustworthy representations. Specifically, we pursue three goals. First, we introduce PCA-informed alignment to steer embeddings toward principal components, making axes interpretable without distorting local neighborhoods. Second, we design concept-alignment regularization that aligns an embedding dimension with external knowledge, such as class labels or user-defined concepts. Third, we propose a method to extract common knowledge across the Rashomon set by identifying trustworthy and persistent nearest-neighbor relationships, which we use to construct refined embeddings with improved local structure while preserving global relationships. By moving beyond a single embedding and leveraging the Rashomon set, we provide a flexible framework for building interpretable, robust, and goal-aligned visualizations.
• Abstract（参考訳）: 多重埋め込みは、レイアウトや幾何学において異なるが、高次元データの構造を等しく保存することができる。 本稿では,DRの「良い」埋め込みの集合である羅生門集合を正式に定義し,この多重性を受け入れることで,より強力で信頼性の高い表現がもたらされることを示す。 具体的には3つの目標を追求します。 まず,PCAインフォームドアライメントを主成分に対するステア埋め込みに導入し,局所的な近傍を歪ませることなく軸を解釈できるようにした。 第2に,組込み次元をクラスラベルやユーザ定義概念などの外部知識と整合させる概念アライメント正規化を設計する。 第3に,グローバルな関係を保ちながら,地域構造を改良した洗練された埋め込みを構築するために,信頼に値する,永続的な近傍関係を同定することで,羅生門集合全体の共通知識を抽出する手法を提案する。 単一の埋め込みを超えて、Rashomonセットを活用することで、解釈可能で堅牢で、目標に沿った視覚化を構築するための柔軟なフレームワークを提供します。

関連論文リスト

• REALITrees: Rashomon Ensemble Active Learning for Interpretable Trees [21.32484182551777]
  Rashomon Ensembled Active Learning (REAL) は、すべてのほぼ最適モデルのRashomon Setを徹底的に列挙して委員会を構成する。 雑音の多い環境下では,REALはランダム化アンサンブルよりも優れていた。
  論文  参考訳（メタデータ） (2026-03-24T03:27:44Z)
• Rashomon Sets and Model Multiplicity in Federated Learning [4.001780301402232]
  我々は、フェデレートラーニング(FL)におけるラショモン集合の最初の形式化を提供する。 FLのプライバシー制約の下で、標準的な多重度メトリクスをどのように推定できるかを示す。 提案した3つのRashomon集合定義はいずれも有意義な洞察を与えることを示す。
  論文  参考訳（メタデータ） (2026-02-10T08:25:35Z)
• Entropy-Aware Structural Alignment for Zero-Shot Handwritten Chinese Character Recognition [7.632962062462334]
  ゼロショット手書き漢字認識は、急進的な意味合成を活用することで、目に見えない文字を認識することを目的としている。 本稿では,情報理論モデリングにより視覚と意味のギャップを埋めるエントロピー対応構造アライメントネットワークを提案する。 ICDAR 2013データセットで55.04%の精度を達成し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-03T16:08:40Z)
• RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
  リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。 これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。 空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:35:57Z)
• TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
  3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。 近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。 本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T02:22:20Z)
• Light-SQ: Structure-aware Shape Abstraction with Superquadrics for Generated Meshes [60.92139345612904]
  我々は、新しいスーパークワッドリックベースの最適化フレームワークLight-SQを提案する。 本稿では,構造対応ボリューム分解によるブロック再配置戦略を提案する。 実験によると、Light-SQはスーパークワッドリックで効率よく、高忠実で、編集可能な形状の抽象化を可能にする。
  論文  参考訳（メタデータ） (2025-09-29T16:18:32Z)
• DIPO: Dual-State Images Controlled Articulated Object Generation Powered by Diverse Data [67.99373622902827]
  DIPOは、一対のイメージから調音された3Dオブジェクトを制御可能な生成するためのフレームワークである。 本稿では,イメージペア間の関係を捉え,部分配置と関節パラメータを生成するデュアルイメージ拡散モデルを提案する。 複雑な3Dオブジェクトの大規模データセットであるPM-Xについて,レンダリング画像,URDFアノテーション,テキスト記述を伴って提案する。
  論文  参考訳（メタデータ） (2025-05-26T18:55:14Z)
• HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
  本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。 階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。 非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
  論文  参考訳（メタデータ） (2025-03-26T07:31:52Z)
• RAGDiffusion: Faithful Cloth Generation via External Knowledge Assimilation [43.86322428330103]
  本稿では、構造決定性を高め、幻覚を軽減するために、RAGDiffusionと呼ばれる新しいRAG(Retrieval-Augmented Generation)フレームワークを提案する。 RaGDiffusionは、構造的にもテクスチャ的にも忠実な衣服の資産を合成する。
  論文  参考訳（メタデータ） (2024-11-29T07:57:32Z)

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。