論文の概要: Efficient Estimation of High Information Projections using Nearest Neighbours

• arxiv url: http://arxiv.org/abs/2608.25887v1
• Date: Wed, 26 Aug 2026 15:01:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.873992
• Title: Efficient Estimation of High Information Projections using Nearest Neighbours
• Title（参考訳）: 近近近波を用いた高次情報投影の効率的評価
• Abstract要約: 提案手法は,データに最も近い近傍関係の強化に基づく。 標準的な正則性条件下では、この行列はいわゆる「密度情報行列」の一貫した推定器であることが示される。
• 参考スコア（独自算出の注目度）: 2.741266294612775
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: An intuitive method for dimensionality reduction is proposed, which is highly effective for finding interesting projections of multivariate data. Following similar intuitive motivation to a number of existing techniques, the proposed method is based on enhancing the nearest neighbour relationships in the data. The proposed projection arises from the spectral decomposition of a matrix designed to encode the local covariance structure in the data, where the local covariance at a point is captured by pairs of its nearest neighbours. We show that under standard regularity conditions this matrix is a consistent estimator of the so-called ``Density Information Matrix'' (DIM); a non-parametric analogue of the Fisher Information Matrix. Spectral decompositions of DIMs have been shown to be connected with the important problems of Independent Components Analysis and, in the supervised context, Sufficient Dimension Reduction. However, existing estimators of the DIM are computationally expensive to compute and only target the DIM of a surrogate density, which is proportional to the square of the true underlying density. In addition, we go on to explore the practical utility of our method in aiding the downstream tasks of cluster analysis and outlier detection.
• Abstract（参考訳）: 多変量データの興味深い投影を見つけるのに非常に効果的である次元削減のための直感的な手法を提案する。 既存の多くの手法に類似した直感的なモチベーションに従えば, 提案手法はデータに最も近い関係性を高めることに基づいている。 提案手法は,データ中の局所共分散構造を符号化する行列のスペクトル分解から導かれる。 標準的な正則性条件下では、この行列はいわゆる「密度情報行列」 (DIM) の一貫性のある推定器であり、フィッシャー情報行列の非パラメトリックなアナログであることを示す。 DIMのスペクトル分解は、独立成分分析の重要な問題と関係があることが示されている。 しかし、既存のDIM推定器は計算コストが高く、真基底密度の正方形に比例する代理密度のDIMのみをターゲットにしている。 さらに,クラスタ解析とアウトラヤ検出の下流タスクを支援するために,本手法の実用性についても検討する。

関連論文リスト

• Orthogonal Subspace Clustering: Enhancing High-Dimensional Data Analysis through Adaptive Dimensionality Reduction and Efficient Clustering [1.6936594801109557]
  我々は,高次元データクラスタリングの革新的な手法であるOrthogonal Subspace Clustering (OSC)を提案する。 OSCは直交部分空間構築と古典的なクラスタリング技術を統合している。 クラスタリングの効率、堅牢性、正確性を大幅に改善します。
  論文  参考訳（メタデータ） (2026-03-16T03:30:18Z)
• Multi-Dimensional Visual Data Recovery: Scale-Aware Tensor Modeling and Accelerated Randomized Computation [51.65236537605077]
  我々は,新しいタイプのネットワーク圧縮最適化手法,完全ランダム化テンソルネットワーク圧縮(FCTN)を提案する。 FCTNは多次元データ処理と解析において顕著な業績を残している。 定式化モデルの解法を保証した効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2026-02-13T14:56:37Z)
• Nonparametric Linear Discriminant Analysis for High Dimensional Matrix-Valued Data [0.0]
  本稿では,行列値観測に適したフィッシャーの線形判別分析(LDA)の新たな拡張を提案する。 我々は、NPMLE(Non Maximum Likelihood Estimation)に基づく非パラメトリック経験的ベイズフレームワークを採用する。 本手法は,行列設定に効果的に一般化され,分類性能が向上する。
  論文  参考訳（メタデータ） (2025-07-25T07:30:24Z)
• Regularized Projection Matrix Approximation with Applications to Community Detection [1.3761665705201904]
  本稿では,アフィニティ行列からクラスタ情報を復元するための正規化プロジェクション行列近似フレームワークを提案する。 3つの異なるペナルティ関数について検討し, それぞれが有界, 正, スパースシナリオに対応するように調整した。 合成および実世界の両方のデータセットで行った数値実験により、我々の正規化射影行列近似アプローチはクラスタリング性能において最先端の手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-26T15:18:22Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Laplacian-based Cluster-Contractive t-SNE for High Dimensional Data Visualization [20.43471678277403]
  本稿では t-SNE に基づく新しいグラフベース次元削減手法 LaptSNE を提案する。 具体的には、LaptSNEはグラフラプラシアンの固有値情報を利用して、低次元埋め込みにおけるポテンシャルクラスタを縮小する。 ラプラシアン合成目的による最適化を考える際には、より広い関心を持つであろう勾配を解析的に計算する方法を示す。
  論文  参考訳（メタデータ） (2022-07-25T14:10:24Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
  DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
  論文  参考訳（メタデータ） (2021-06-14T17:19:44Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)
• Learning Flat Latent Manifolds with VAEs [16.725880610265378]
  本稿では、ユークリッド計量がデータポイント間の類似性のプロキシとなる変分自動エンコーダのフレームワークの拡張を提案する。 我々は、変分オートエンコーダで一般的に使用されるコンパクトな以前のものを、最近発表されたより表現力のある階層型に置き換える。 提案手法は,ビデオ追跡ベンチマークを含む,さまざまなデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-12T09:54:52Z)

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。