論文の概要: cGAP: Generalized Association Plots with HOMALS-Guided Heatmaps for Visualization of High-Dimensional Categorical Data
- arxiv url: http://arxiv.org/abs/2607.15018v2
- Date: Fri, 17 Jul 2026 01:59:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 13:50:44.513602
- Title: cGAP: Generalized Association Plots with HOMALS-Guided Heatmaps for Visualization of High-Dimensional Categorical Data
- Title（参考訳）: cGAP:高次元カテゴリーデータの可視化のためのHOMALS誘導熱マップを用いた一般協会プロット
- Abstract要約: cGAP (Catagorical Generalized Association Plots) は、名前、順序、およびバイナリデータのための視覚化フレームワークである。
cGAPはホモジニティ解析(HOMALS)を用いて3次元ユークリッド空間に対象とカテゴリレベルを埋め込む。
導出された視覚構造と元の分類学的観察とのトレーサビリティを維持することにより,cGAPが透明な探索解析をどのようにサポートするかを示す。
- 参考スコア（独自算出の注目度）: 1.4377432769428207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-dimensional categorical data arise in genetics, biomedicine, and the social sciences, yet visualization tools for such data remain far less developed than those for continuous variables. Existing methods either scale poorly, rely heavily on low-dimensional displays detached from the original data matrix, or prioritize predictive accuracy over interpretability. To address this gap, we introduce categorical Generalized Association Plots (cGAP), a visualization framework for nominal, ordinal, and binary data that preserves the original data matrix while augmenting it with interpretable geometric structure. cGAP uses Homogeneity Analysis (HOMALS) to embed subjects and category levels in a three-dimensional Euclidean space and maps the embedding to red-green-blue coordinates so that similar patterns receive similar colors. The framework integrates three coordinated views: a HOMALS-guided heatmap of the raw data matrix, a subject proximity matrix, and a variable proximity matrix. Seriation algorithms are then used to reorder rows and columns to reveal coherent clusters, outliers, and local-to-global structure. We also derive barycentric traceability, projection-distortion, and contrast-preservation properties that clarify how embedding geometry is transferred to the display. We demonstrate the versatility of cGAP through applications to student-animal classification data, mammalian dentition profiles, mushroom records from the UCI Machine Learning Repository, and the Clusters of Orthologous Genes database. These examples show that cGAP supports transparent exploratory analysis by maintaining traceability between derived visual structure and the original categorical observations. cGAP provides a full-matrix, heatmap-based visualization environment for investigating complex categorical datasets across scientific domains.
- Abstract（参考訳）: 高次元の分類データは遺伝学、生医学、社会科学に現れるが、そのようなデータの視覚化ツールは連続変数よりもはるかに発展していない。
既存の方法はスケールが悪く、元のデータ行列から切り離された低次元のディスプレイに大きく依存するか、解釈可能性よりも予測精度を優先するかのいずれかである。
このギャップに対処するため,分類的一般化アソシエーション・プロット (cGAP) を導入し,解釈可能な幾何学的構造で拡張しながら,元のデータ行列を保存した名目,順序,バイナリデータのための可視化フレームワークを提案する。
cGAPはホモジニティ分析(英語版) (HOMALS) を用いて3次元ユークリッド空間に被写体とカテゴリレベルを埋め込み、同様のパターンが類似した色を受けるように、その埋め込みを赤-緑-青座標にマッピングする。
このフレームワークは、生データ行列のHOMALS誘導ヒートマップ、被写体近接行列、可変近接行列の3つの座標ビューを統合する。
セレーションアルゴリズムは行と列を並べ替えて、コヒーレントなクラスタ、外れ値、局所的なグローバル構造を明らかにする。
また,バリ中心トレーサビリティ,投影歪,コントラスト保存特性を導出した。
本稿では, 学生の分類データ, 哺乳類の歯列プロファイル, UCI Machine Learning Repositoryのキノコ記録, およびOrthologous Genesデータベースに応用して, cGAPの汎用性を実証する。
これらの例では、cGAPは、導出された視覚構造と元の分類学的観察の間のトレーサビリティを維持することにより、透明な探索分析をサポートする。
cGAPは、科学的領域にわたる複雑なカテゴリデータセットを調査するための、フルマトリックス、ヒートマップベースの可視化環境を提供する。
関連論文リスト
- CosMAP: Contrastive Manifold Approximation and Projection for Dimensionality Reduction of Omics and Genealogical Data [0.0]
グラフに基づく非教師付き次元差分法であるContrastive Manifold Approximation and Projection (CosMAP)を紹介する。
我々は,MNISTおよびUSPS手書きデジタルデータセット,マウス網膜および大脳皮質単細胞RNA配列データセット,および大規模な血縁関係データセットについてCosMAPを評価した。
論文 参考訳（メタデータ） (2026-08-11T00:22:31Z) - Dimensionality Reduction Meets Network Science: Sensemaking on UMAP's kNN Graph [37.806680343382595]
このグラフに適用された標準グラフアルゴリズムは、どのようにデータセンシングを強化するかを示す。
これらのグラフに基づく分析は,実用性だけでなく,目的構築法と相補的な競合性も示している。
論文 参考訳（メタデータ） (2026-07-09T17:47:08Z) - Learning Subspace-Preserving Sparse Attention Graphs from Heterogeneous Multiview Data [23.128540151031846]
ヘテロジニアスなマルチビューデータからサブスペース保存されたスパースアテンショングラフを学習するスパースアテンショングラフ学習(SAGL)法を提案する。
SAGLは、最先端の教師なしトランスファー学習アプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2026-05-12T09:56:28Z) - ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。
一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。
本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
論文 参考訳（メタデータ） (2024-08-20T14:49:14Z) - Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳（メタデータ） (2024-02-03T19:00:19Z) - A new filter for dimensionality reduction and classification of
hyperspectral images using GLCM features and mutual information [0.0]
ハイパースペクトル画像の次元化と分類のための新しい手法を提案する。
スペクトル情報と空間情報の両方を相互情報に基づいて考慮する。
3つのよく知られたハイパースペクトルベンチマークデータセットで実験が行われる。
論文 参考訳（メタデータ） (2022-11-01T13:19:08Z) - Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。
GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。
4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-25T03:54:53Z) - CCP: Correlated Clustering and Projection for Dimensionality Reduction [5.992724190105578]
Correlated Clustering and Projectionは、マトリックスを解決する必要のない、新しいデータドメイン戦略を提供する。
CCPは、高次元の機能を相関クラスタに分割し、各クラスタの相関した機能を1次元の表現に分割する。
提案手法は、さまざまな機械学習アルゴリズムに関連するベンチマークデータセットを用いて検証される。
論文 参考訳（メタデータ） (2022-06-08T23:14:44Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳（メタデータ） (2021-04-24T08:09:27Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z)
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。