論文の概要: VG-TIE: An interpretable tabular-to-image encoding method based on visibility graphs
- arxiv url: http://arxiv.org/abs/2609.29650v1
- Date: Sat, 29 Aug 2026 14:05:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.090526
- Title: VG-TIE: An interpretable tabular-to-image encoding method based on visibility graphs
- Title（参考訳）: VG-TIE:可視グラフに基づく解釈可能な表-画像符号化法
- Abstract要約: Visibility Graphs for Tabular-to-Image (VG-TIE) は特徴値の構造を二次元空間にエンコードする新しい手法である。
各画素は入力特徴に対応し、その強度は集団平均からの偏差の大きさと方向を反映する。
得られた画像は、モデルに依存しず、本質的に解釈可能である。
- 参考スコア（独自算出の注目度）: 0.7491482431654225
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Tabular-to-image encoding methods enable the application of models based on both convolutional neural networks and vision transformers to tabular data, transforming feature vectors into images. Existing methods employ linear and nonlinear dimensionality reduction techniques (e.g., Principal Component Analysis (PCA), t-SNE, and UMAP) to determine pixel positions, resulting in images whose spatial layout do not inherently reflect feature relationships. This paper introduces Visibility Graphs for Tabular-to-Image Encoding (VG-TIE), a novel method that encodes the structure of feature values using Natural Visibility Graph (NVG) and Horizontal Visibility Graph (HVG) into a two-dimensional space obtained through PCA. The resulting images are model-agnostic and intrinsically interpretable. Each pixel corresponds to an input feature, its intensity reflects the magnitude and direction of deviation from the population mean, and edges represent formally defined visibility relationships between features. VG-TIE provides two interpretability methods: (i) feature ranking from node degree distributions; and (ii) local and global feature importance from pixel intensity combined with Grad-CAM. Experiments on six public tabular datasets show that VG-TIE is competitive with other tabular-to-image methods while providing interpretability on feature importance and ranking similar to intrinsic interpretable methods. The results highlight the potential of the proposed image-based transformation to provide an effective framework that expands the use of deep learning across tabular data domains.
- Abstract（参考訳）: Tabular-to-image符号化方式は、畳み込みニューラルネットワークとビジョントランスフォーマーの両方をベースとしたモデルを表データに適用し、特徴ベクトルを画像に変換する。
既存の手法では線形・非線形次元減少法(PCA, 主成分分析, t-SNE, UMAP)を用いて画素位置を決定する。
本稿では,Natural Visibility Graph (NVG) とHorizontal Visibility Graph (HVG) を用いて特徴値の構造を2次元空間に符号化する新しい手法であるVG-TIEを提案する。
得られた画像は、モデルに依存しず、本質的に解釈可能である。
各画素は入力特徴に対応し、その強度は集団平均からの偏差の大きさと方向を反映し、エッジは特徴間の正式に定義された可視関係を表す。
VG-TIEは2つの解釈可能性法を提供する。
(i)ノードの次数分布からの特徴的ランク付け
(II)Grad-CAMと組み合わせた画素強度による局所的・大域的特徴の重要性。
6つのパブリックな表付きデータセットの実験では、VG-TIEは他の表付き画像と競合する一方で、特徴の重要性と、本質的な解釈可能な方法と類似したランキングを提供する。
その結果,表層データ領域をまたいだディープラーニングの利用を拡大する効果的なフレームワークを提供するために,提案した画像ベースの変換の可能性を強調した。
関連論文リスト
- TabSOM: A tabular-to-image encoding method based on self-organizing maps [0.9954435559869313]
Tabular-to-image法は畳み込みニューラルネットワークと視覚変換器の高い予測性能を活用する新しい手法である。
自己組織化マップ(SOM)上に構築された空間画像符号化であるTabSOMを提案する。
SOM由来の2つの解釈可能性アプローチが導入された。プロトタイプにインスパイアされた部分依存プロットとクラス分離の重要度スコアである。
論文 参考訳（メタデータ） (2026-08-13T17:35:37Z) - Mind-the-Glitch: Visual Correspondence for Detecting Inconsistencies in Subject-Driven Generation [120.23172120151821]
本稿では,事前学習した拡散モデルのバックボーンから視覚的特徴と意味的特徴を分離するための新しいアプローチを提案する。
注釈付きセマンティックと視覚対応を備えた画像ペアを構築する自動パイプラインを導入する。
被験者駆動画像生成における視覚的不整合を定量化する新しい指標であるビジュアルセマンティックマッチングを提案する。
論文 参考訳（メタデータ） (2025-09-26T07:11:55Z) - Feature Engineering is Not Dead: Reviving Classical Machine Learning with Entropy, HOG, and LBP Feature Fusion for Image Classification [0.13194391758295113]
我々は、置換エントロピー(PE)を中心とした新しいアプローチにより、古典的機械学習に基づく画像分類を再考する。
PEを2次元画像に拡張し,マルチスケール・マルチ指向エントロピーに基づく特徴抽出手法を提案する。
この結果から,PEとHOGとLBPの融合は,計算コストが高く,解釈可能な限定的なディープラーニングモデルに対して,コンパクトで,解釈可能な,効果的な代替手段を提供することが示された。
論文 参考訳（メタデータ） (2025-07-18T09:29:03Z) - Explaining Vision GNNs: A Semantic and Visual Analysis of Graph-based Image Classification [4.714421854862438]
グラフニューラルネットワーク(GNN)は、視覚タスクの畳み込みアプローチの効率的な代替手段として登場した。
効率性にもかかわらず、GNNベースの視覚モデルの説明可能性はまだ未定である。
論文 参考訳（メタデータ） (2025-04-28T11:13:40Z) - Table2Image: Interpretable Tabular Data Classification with Realistic Image Transformations [5.62508658491325]
本稿では,表形式のデータをリアルかつ多様な画像表現に変換する新しいフレームワークであるTable2Imageを紹介する。
また、元のデータとその変換された画像表現からの洞察を統合する、解釈可能性フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-09T07:24:31Z) - 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) - Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。
画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
論文 参考訳（メタデータ） (2021-09-22T18:34:14Z) - The Geometry of Deep Generative Image Models and its Applications [0.0]
generative adversarial networks (gans) は、実世界のデータセットの統計パターンをモデル化する強力な教師なし手法として登場した。
これらのネットワークは、潜在空間内のランダムな入力を学習データを表す新しいサンプルにマップするように訓練される。
潜在空間の構造は、その高い寸法性と発電機の非線形性のために内挿しが困難である。
論文 参考訳（メタデータ） (2021-01-15T07:57:33Z) - Joint Estimation of Image Representations and their Lie Invariants [57.3768308075675]
画像は世界の状態とコンテンツの両方をエンコードする。
この情報の自動抽出は、画像表現に固有の高次元かつ絡み合った符号化のために困難である。
本稿では,これらの課題の解決を目的とした2つの理論的アプローチを紹介する。
論文 参考訳（メタデータ） (2020-12-05T00:07:41Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z)
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。