データ探索のための教師付き可視化【JST・京大機械翻訳】

Rhodes Jake S.; Cutler Adele; Wolf Guy; Moon Kevin R.

プレプリント

J-GLOBAL ID：202202214938061801 整理番号：22P0159607

データ探索のための教師付き可視化【JST・京大機械翻訳】

Supervised Visualization for Data Exploration

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年06月15日プレプリントサーバーでの情報更新日： 2020年06月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

次元縮小は,分類または回帰のための前処理として,あるいは可視化のために,データ探査における初期ステップとしてしばしば用いられる。今日までのほとんどの次元縮小技術は教師なしである。それらはクラスラベルを考慮しない(例えばPCA,MDS,t-SNE,Isomap)。そのような方法は大量のデータを必要とし,データにおいて重要なパターンを混乱させるノイズにしばしば敏感である。補助アノテーション(例えば,クラスラベル)を考慮した教師つき次元縮小法における様々な試みは,分類精度の増加またはデータ可視化の改善の目標でうまく実装されている。これらの教師つき技法の多くは,類似性または非類似度行列の形で損失関数にラベルを組み込み,それによってクラスクラスタ間の過剰強調分離を生成し,これはデータにおける局所および大域的関係を現実的に表現しない。さらに,これらのアプローチはパラメータ調整にしばしば敏感であり,視覚的優位性の明示的な定量的概念なしで構成するのは難しい。本論文では,ランダムフォレスト近接性と拡散ベース次元縮小に基づく新しい教師つき可視化技術について述べた。定性的および定量的に,データにおける局所および大域構造を保持するアプローチの利点を示し,一方,低次元埋込みにおける重要な変数を強調した。重要なことに,提案アプローチはノイズとパラメータ調整に対してロバストであり,従って,データ探索のための信頼できる可視化を生成する一方で,それを使用するのが簡単である。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, ,

前のページに戻る