Fugu-MT 論文翻訳(概要): DiRe-RAPIDS: Topology-faithful dimensionality reduction at scale

論文の概要: DiRe-RAPIDS: Topology-faithful dimensionality reduction at scale

arxiv url: http://arxiv.org/abs/2604.25209v1
Date: Tue, 28 Apr 2026 04:28:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-29 16:49:17.714525
Title: DiRe-RAPIDS: Topology-faithful dimensionality reduction at scale
Title（参考訳）: DiRe-RAPIDS:Topology-faithful dimensionality reduction at scale
Authors: Alexander Kolpakov, Igor Rivin,
Abstract要約: 最上級の埋め込みがデータから欠落するサイクルや島々を創出することを示す。 723K arXiv 紙の埋め込みでは、DiRe は UMAP の3.4倍の位相構造を保存している。
参考スコア（独自算出の注目度）: 47.983130047068165
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dimensionality reduction methods such as UMAP and t-SNE are central tools for visualising high-dimensional data, but their local-neighborhood objectives can preserve sampling noise while distorting global topology. We show that standard local metrics reward this noise memorisation: top-performing embeddings invent cycles and disconnected islands absent from the data. We introduce a topology-faithfulness benchmark based on noisy manifolds with known homology, tune DiRe against it, and find Pareto-optimal configurations that match or beat GPU-accelerated UMAP on classification while recovering exact first Betti numbers on stress tests. On 723K arXiv paper embeddings, DiRe preserves 3-4 times more topological structure than UMAP at comparable wall-clock.
Abstract（参考訳）: UMAP や t-SNE などの次元化手法は高次元データを可視化する中心的なツールであるが、その局所的な目的は、グローバルトポロジを歪めながらサンプリングノイズを保存できる。このノイズを記憶する標準的なローカルメトリクスは、最も優れた埋め込みによってサイクルが発明され、データから欠落した島々が切り離される。我々は、既知のホモロジーを持つノイジー多様体に基づくトポロジー-信頼度ベンチマークを導入し、それに対してDiReをチューニングし、GPU加速UMAPにマッチまたは打ち勝つパレート最適構成を見つけ、ストレステストにおいて、正確な第1ベッチ数を復元する。 723K arXiv 紙の埋め込みでは、DiRe は UMAP の3.4倍の位相構造を保存している。

関連論文リスト

Bayesian Matrix Completion Under Geometric Constraints [3.5522446024799064]
スパース・ノイズ観測からユークリッド距離行列の完成は、信号処理における根本的な課題である。ランク制約付き最適化や半定値プログラミングのような伝統的な手法は、幾何的制約を強制するが、しばしばスパースまたはノイズの多い条件下で苦労する。本稿では,EDMを生成する潜在点集合に直接構造的事前を配置し,自然に幾何学的制約を埋め込む階層的ベイズフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-30T09:45:34Z)
Understanding and Improving UMAP with Geometric and Topological Priors: The JORC-UMAP Algorithm [1.7484982792736636]
次元削減技術、特に UMAP は高次元データの可視化に広く用いられている。我々は幾何学的先行としてOllivier-Ricci曲率を導入し、幾何学的ボトルネックにおけるエッジを強化し、冗長リンクを減らす。合成および実世界のデータセットの実験により、JORC-UMAPは標準的なUMAPや他のDR法よりも破断と崩壊を効果的に削減することが示された。
論文参考訳（メタデータ） (2026-01-23T08:42:56Z)
Latent Manifold Reconstruction and Representation with Topological and Geometrical Regularization [1.8335627278682702]
本稿では,雑音の多い点群から潜在多様体構造を発見できる,多様体再構成層を統合するAutoEncoderに基づく手法を提案する。ポイントクラウドデータセットの実験では、この手法がt-SNE、UMAP、トポロジカルオートエンコーダといったベースラインより優れていることが示された。
論文参考訳（メタデータ） (2025-05-07T13:47:22Z)
TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
論文参考訳（メタデータ） (2024-10-14T14:58:30Z)
Texture Re-scalable Universal Adversarial Perturbation [61.33178492209849]
本稿では, 局所的なテクスチャをカテゴリー別で自動生成する, テクスチャスケールの制約付きUAPを提案する。 TSC-UAPは、データ依存UAP法とデータフリーUAP法の両方において、不正率と攻撃伝達性を大幅に改善する。
論文参考訳（メタデータ） (2024-06-10T08:18:55Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
GroupEnc: encoder with group loss for global structure preservation [1.8523441396284195]
我々は、深層学習モデルを作成するために、地域レベルとグローバルレベルの両方で構造保存の概念を使用します。我々のモデルはGroupEncと呼ばれ、VAEよりもグローバルな構造歪みが少ない埋め込みを生成するために 'group loss' 関数を使用します。生物学的単細胞転写データセットを用いて,本手法の有効性を検証した。
論文参考訳（メタデータ） (2023-09-06T11:22:21Z)
Preserving local densities in low-dimensional embeddings [37.278617643507815]
tSNEやUMAPのような最先端の手法は、高次元データに隠された局所構造を明らかにするのに優れている。しかし, これらの手法は, 密度の相対的差など, 局所的な特性の再構築に失敗することを示す。局所密度をほぼ保存するdtSNEを提案する。
論文参考訳（メタデータ） (2023-01-31T16:11:54Z)
Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
論文参考訳（メタデータ） (2022-10-04T07:54:40Z)
ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-11-23T06:34:07Z)

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。