論文の概要: Does Dimensionality Reduction via Random Projections Preserve Landscape Features?

• arxiv url: http://arxiv.org/abs/2604.13230v1
• Date: Tue, 14 Apr 2026 18:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.259692
• Title: Does Dimensionality Reduction via Random Projections Preserve Landscape Features?
• Title（参考訳）: ランダム投影による次元減少は景観特性を保存するか?
• Authors: Iván Olarte Rodríguez, Anja Jankovic, Thomas Bäck, Elena Raponi,
• Abstract要約: 探索的景観解析を高次元環境に適用する手法として, 次元の低減が提案されている。 本研究では, ランダムガウス埋め込み (RGE) による次元還元下におけるERA特性のロバスト性について検討する。 その結果、線形ランダム射影は、ERAに関連する幾何学的・位相的構造を変化させることがしばしばあり、元の問題を表わさない特徴値が得られることがわかった。
• 参考スコア（独自算出の注目度）: 1.5516092077598485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exploratory Landscape Analysis (ELA) provides numerical features for characterizing black-box optimization problems. In high-dimensional settings, however, ELA suffers from sparsity effects, high estimator variance, and the prohibitive cost of computing several feature classes. Dimensionality reduction has therefore been proposed as a way to make ELA applicable in such settings, but it remains unclear whether features computed in reduced spaces still reflect intrinsic properties of the original landscape. In this work, we investigate the robustness of ELA features under dimensionality reduction via Random Gaussian Embeddings (RGEs). Starting from the same sampled points and objective values, we compute ELA features in projected spaces and compare them to those obtained in the original search space across multiple sample budgets and embedding dimensions. Our results show that linear random projections often alter the geometric and topological structure relevant to ELA, yielding feature values that are no longer representative of the original problem. While a small subset of features remains comparatively stable, most are highly sensitive to the embedding. Moreover, robustness under projection does not necessarily imply informativeness, as apparently robust features may still reflect projection-induced artifacts rather than intrinsic landscape characteristics.
• Abstract（参考訳）: 探索ランドスケープ解析(ELA)は,ブラックボックス最適化問題を特徴付ける数値的特徴を提供する。 しかし、高次元環境では、ERAは空間効果、高い推定値のばらつき、いくつかの特徴クラスを計算することの禁止コストに悩まされている。 したがって, 次元の縮小は, ELAをそのような環境に応用する方法として提案されているが, 縮小空間で計算された特徴が本来の景観の内在特性を反映しているかどうかは不明である。 本研究では,Random Gaussian Embeddings (RGEs) を用いた次元還元下でのERA特性のロバスト性について検討する。 同じサンプル点と目的値から、投影空間におけるERA特徴を計算し、複数のサンプル予算と埋め込み次元をまたいだ元の探索空間で得られたものと比較する。 その結果,線形乱射影はERAに関連する幾何学的・トポロジ的構造を変化させることが多く,元の問題を表わさない特徴値が得られることがわかった。 機能の小さなサブセットは比較的安定しているが、多くは埋め込みに非常に敏感である。 さらに、プロジェクションの強靭性は必ずしも意味を示さないが、明らかにロバストな特徴は、本質的な景観特性よりもプロジェクションによって引き起こされるアーティファクトを反映している可能性がある。

関連論文リスト

• On the Geometric Accuracy of Implicit and Primitive-based Representations Derived from View Rendering Constraints [15.120134539151236]
  空間型3次元オブジェクト再構成のための暗黙的かつ明示的な新規ビュー合成法の比較を行った。 埋め込みは幾何的精度において有意義な利得に変換されないことを示す。 本研究は,幾何中心タスクにおける外観埋め込みの限界を明らかにするものである。
  論文  参考訳（メタデータ） (2025-09-12T13:37:18Z)
• Refined Risk Bounds for Unbounded Losses via Transductive Priors [67.12679195076387]
  線形回帰の逐次変分を2乗損失、ヒンジ損失の分類問題、ロジスティック回帰で再検討する。 我々の鍵となるツールは、慎重に選択された導出先を持つ指数重み付けアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2024-10-29T00:01:04Z)
• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• A Metaheuristic for Amortized Search in High-Dimensional Parameter Spaces [0.0]
  本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。 DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。 実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
  論文  参考訳（メタデータ） (2023-09-28T14:25:14Z)
• Interpretable Linear Dimensionality Reduction based on Bias-Variance Analysis [45.3190496371625]
  本稿では,特徴の解釈可能性を維持するための基本次元削減手法を提案する。 このように、全ての特徴を考慮し、次元性を減らし、解釈可能性を保持する。
  論文  参考訳（メタデータ） (2023-03-26T14:30:38Z)
• An evaluation framework for dimensionality reduction through sectional curvature [59.40521061783166]
  本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。 その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。 新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
  論文  参考訳（メタデータ） (2023-03-17T11:59:33Z)
• Disentangling Generative Factors of Physical Fields Using Variational Autoencoders [0.0]
  本研究は,非線形次元低減のための変分オートエンコーダ (VAE) の利用について検討する。 不整合分解は解釈可能であり、生成的モデリングを含む様々なタスクに転送することができる。
  論文  参考訳（メタデータ） (2021-09-15T16:02:43Z)

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。

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。