論文の概要: DR-SNE: Density-Regularized Stochastic Neighbor Embedding

• arxiv url: http://arxiv.org/abs/2605.02060v1
• Date: Sun, 03 May 2026 21:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.065187
• Title: DR-SNE: Density-Regularized Stochastic Neighbor Embedding
• Title（参考訳）: DR-SNE:密度調整型確率近傍埋め込み
• Authors: Maksim Kazanskii,
• Abstract要約: 本稿では,正規化対数密度推定から導かれる密度正規化項を用いて,隣接する埋め込み対象を拡大する密度正規化SNE(DR-SNE)を提案する。 DR-SNEは、競合する近傍の忠実さを維持しながら密度保存を改善する。 これらの結果から,密度情報の導入は次元減少における幾何学的目的を補完するものと考えられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dimensionality reduction methods such as t-SNE are designed to preserve local neighborhood structure but do not explicitly account for how probability mass is distributed, often leading to distortions of data density. We reformulate dimensionality reduction as the joint alignment of two components: (i) conditional structure, capturing local relationships, and (ii) relative density structure, captured via local density statistics. Based on this perspective, we introduce Density-Regularized SNE (DR-SNE), which augments the stochastic neighbor embedding objective with a density regularization term derived from normalized log-density estimates. Unlike prior approaches such as DensMAP and DenSNE, which rely on local scale consistency, DR-SNE directly aligns normalized density estimates, providing a simple and scale-invariant mechanism for preserving relative density variations. Empirically, DR-SNE improves density preservation while maintaining competitive neighborhood fidelity, and yields gains on density-sensitive tasks such as anomaly detection across multiple datasets. These results suggest that incorporating density information complements geometry-focused objectives in dimensionality reduction.
• Abstract（参考訳）: t-SNEのような次元減少法は、局所的な近傍構造を保存するために設計されているが、しばしばデータ密度の歪みにつながる確率の分布を明示的に説明していない。 我々は2つの成分の結合アライメントとして次元減少を再構成する。 一 条件構造、地域関係の把握、及び (ii)局所密度統計により得られた相対密度構造。 この観点から、正規化対数密度推定から導かれる密度正規化項を用いて確率的隣接埋め込み目的を増強する密度正規化SNE(DR-SNE)を導入する。 局所的なスケールの整合性に依存するdensMAPやDenSNEのような従来のアプローチとは異なり、DR-SNEは正規化密度推定を直接調整し、相対密度の変動を保存するための単純でスケール不変なメカニズムを提供する。 DR-SNEは、競合する近傍の忠実さを維持しながら密度の保存を改善し、複数のデータセットにわたる異常検出などの密度に敏感なタスクに利益をもたらす。 これらの結果から,密度情報の導入は次元減少における幾何学的目的を補完するものと考えられる。

関連論文リスト

• Density-Aware Noise Mechanisms for Differential Privacy on Riemannian Manifolds via Conformal Transformation [1.5632754424046598]
  共形変換に基づく密度認識型差分プライバシー機構を開発した。 我々は,不均一な多様体設定におけるプライバシ・ユーティリティのトレードオフを大幅に改善することが実証された。
  論文  参考訳（メタデータ） (2025-04-29T17:05:55Z)
• Density-based Object Detection in Crowded Scenes [54.037103707572136]
  密度誘導型アンカー(DGA)と密度誘導型NMS(DG-NMS)を提案する。 DGAは最適なアンカー割り当てとリウィーリング、および適応的なNMSを計算する。 Citypersonsデータセットを用いたCrowdHumanデータセットの挑戦実験により、提案した密度誘導検出器は、混雑に対して有効で堅牢であることが示された。
  論文  参考訳（メタデータ） (2025-04-14T02:41:49Z)
• Density Estimation via Binless Multidimensional Integration [45.21975243399607]
  非パラメトリック、ロバスト、およびデータ効率の高い密度推定のためのBinless Multidimensional Thermodynamic Integration (BMTI)法を提案する。 BMTIは、近隣のデータポイント間の対数密度差を計算し、その密度の対数を推定する。 この方法は様々な複雑な合成高次元データセットでテストされ、化学物理学の文献から現実的なデータセットでベンチマークされる。
  論文  参考訳（メタデータ） (2024-07-10T23:45:20Z)
• Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
  本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。 信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。 我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
  論文  参考訳（メタデータ） (2023-06-01T11:52:58Z)
• Disentangling Learning Representations with Density Estimation [9.244163477446799]
  本稿では, 遅延空間のフレキシブルな密度推定により, 信頼性の高い絡み合いを実現する手法を提案する。 GCAEは最先端のベースラインと比較して、非常に競争力が高く信頼性の高いアンタングルメントスコアを達成している。
  論文  参考訳（メタデータ） (2023-02-08T22:37:33Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Nonparametric Density Estimation from Markov Chains [68.8204255655161]
  我々はマルコフ・チェインにインスパイアされた新しい非パラメトリック密度推定器を導入し、よく知られたケルネル密度推定器を一般化する。 我々の推定器は, 通常のものに対していくつかの利点を示し, 全密度アルゴリズムの基盤として容易に利用できる。
  論文  参考訳（メタデータ） (2020-09-08T18:33:42Z)

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。