論文の概要: FloDR: An invertible dimensionality reduction method based on a normalising flow

• arxiv url: http://arxiv.org/abs/2607.26278v1
• Date: Tue, 28 Jul 2026 21:20:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.472291
• Title: FloDR: An invertible dimensionality reduction method based on a normalising flow
• Title（参考訳）: FloDR:正規化フローに基づく可逆次元削減法
• Authors: Abdallah Baraka, Daniel Probst,
• Abstract要約: FloDRは、非可逆正規化フローを通じてデータを埋め込む次元還元法である。 埋め込みに加えて、正確な逆数と正確な密度は、訓練された写像の性質である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is common for two-dimensional embeddings of high-dimensional data to be read far beyond what they can support. Distances in and between clusters, the meaning behind empty spaces, and the amount of structure hidden at each point are generally invisible in the output of methods such as t-SNE and UMAP. This is because the information that could support the meaning of these properties is discarded during the optimisation process. Here, we present FloDR, a dimensionality reduction method that embeds data through an invertible normalising flow. While FloDR only uses the first two output coordinates to create a two-dimensional embedding, it retains the remaining coordinates rather than discarding them. In addition to the embedding, an exact inverse and an exact density are properties of a trained mapping, which enable diagnostic visualisations that are computed from the exact inverse of the model that drew the layout rather than from an approximate one. Specifically, we draw two fields, the conditional spread, which measures how much of the original data remains undetermined at each embedding position in input units, and the hidden contrast, which measures how much information about a labelled contrast the two plotted coordinates discard. Both fields are rendered with a prespecified test against a held out portion of the input data and a bootstrap confidence. A field that fails the test is reported as refused.
• Abstract（参考訳）: 高次元データの2次元埋め込みは、サポートできる範囲を超えて読み取るのが一般的である。 クラスタ内とクラスタ間の距離、空き空間の背景にある意味、各点に隠された構造量は、t-SNE や UMAP といった手法の出力では一般的に見えない。 これは、これらのプロパティの意味を裏付ける情報は、最適化プロセス中に破棄されるためである。 本稿では,非可逆正規化フローを通じてデータを埋め込む次元還元法であるFloDRを提案する。 FloDRは最初の2つの出力座標のみを使用して2次元埋め込みを生成するが、残りの座標は捨てるのではなく保存する。 埋め込みに加えて、正確な逆と正確な密度は、トレーニングされたマッピングの特性であり、近似したものではなく、レイアウトを描画したモデルの正確な逆から計算された診断的視覚化を可能にする。 具体的には、入力単位の各埋め込み位置において、元のデータのどれだけが未決定のままかを測定する条件スプレッドと、ラベル付き座標に関する情報が捨てられた2つの座標のコントラストのコントラストの量を測定する隠蔽コントラストの2つのフィールドを描画する。 どちらのフィールドも、入力データの保持された部分に対する所定のテストとブートストラップの信頼性でレンダリングされる。 テストに失敗するフィールドは、拒否されたとして報告される。

関連論文リスト

• Unsupervised Domain Shift Detection with Interpretable Subspace Attribution [48.553902624178995]
  ドメインシフトはデータセットの確率分布の微妙な違いである。 高次元特徴空間における局所密度異常を検出するアルゴリズムを用いて,これらのシフトを同定する。 ドメインシフトを小さな機能セットにトレースすることで、シフトを解釈できます。
  論文  参考訳（メタデータ） (2026-05-15T12:58:00Z)
• Neural Surface Detection for Unsigned Distance Fields [51.77214039267625]
  我々は、UDFをローカルにSDFに変換するためのディープラーニングアプローチを導入し、既存のアルゴリズムで効果的に三角測量できるようにした。 既存の手法よりも表面検出の精度がよいことを示す。 また,UDF上で動作可能なデュアルメッシュ方式であるDualMeshUDFと併用して,この手法の柔軟性を示す。
  論文  参考訳（メタデータ） (2024-07-25T20:31:40Z)
• A Latent Space Correlation-Aware Autoencoder for Anomaly Detection in Skewed Data [0.0]
  本稿では,潜時次元相関を計測し,近距離異常と遠距離異常の両方を効果的に検出するカーネル化オートエンコーダを提案する。 多目的関数は2つの目標を持ち、頑健なMD距離の形で潜在特徴空間内の相関情報を計測する。
  論文  参考訳（メタデータ） (2023-01-01T19:40:06Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Index $t$-SNE: Tracking Dynamics of High-Dimensional Datasets with Coherent Embeddings [1.7188280334580195]
  本稿では,クラスタの位置を保存した新しいものを作成するために,埋め込みを再利用する手法を提案する。 提案アルゴリズムは,新しい項目を埋め込むために$t$-SNEと同じ複雑さを持つ。
  論文  参考訳（メタデータ） (2021-09-22T06:45:37Z)
• Learning low bending and low distortion manifold embeddings [1.8046244926068666]
  エンコーダは、入力データマニホールドから潜在空間への埋め込みを提供し、その後、さらなる処理に使用することができる。 この記事では、潜在空間への埋め込みは、等尺性および平坦な埋め込みを促進する損失関数を介して正規化される。 損失汎関数はモンテカルロ積分によって計算され、埋め込み写像上で直接定義される幾何学的損失汎関数と一致することが示されている。
  論文  参考訳（メタデータ） (2021-04-27T13:51:12Z)
• Kernel Two-Dimensional Ridge Regression for Subspace Clustering [45.651770340521786]
  本稿では,2次元データに対する新しいサブスペースクラスタリング手法を提案する。 2Dデータを入力として直接使用するので、表現の学習はデータ固有の構造や関係から恩恵を受ける。
  論文  参考訳（メタデータ） (2020-11-03T04:52:46Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)

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。