Evaluating Autoencoders for Parametric and Invertible Multidimensional Projections

要約

最近、ニューラルネットワークは、パラメトリックで反転可能な多次元データ投影を作成するために注目を集めています。
パラメトリックプロジェクションにより、投影全体を再現することなく、以前に見えないデータを埋め込むことができますが、可逆投影により新しいデータポイントの生成が可能になります。
ただし、これらのプロパティは、任意の投影方法について同時に調査されたことはありません。
パラメトリックおよび反転可能な投影を作成するための3つの自動エンコーダー（AE）アーキテクチャを評価します。
特定の投影に基づいて、AESをトレーニングして、2Dスペースへのマッピングと元のスペースへの逆マッピングを学習します。
T-SNEを使用して、さまざまな次元とパターンの複雑さの4つのデータセットで定量的および定性的比較を実行します。
我々の結果は、カスタマイズされた損失関数を持つAEが、フィードフォワードニューラルネットワークよりもスムーズなパラメトリックおよび逆投影を作成し、ユーザーが平滑化効果の強度を制御できることを示しています。

要約(オリジナル)

Recently, neural networks have gained attention for creating parametric and invertible multidimensional data projections. Parametric projections allow for embedding previously unseen data without recomputing the projection as a whole, while invertible projections enable the generation of new data points. However, these properties have never been explored simultaneously for arbitrary projection methods. We evaluate three autoencoder (AE) architectures for creating parametric and invertible projections. Based on a given projection, we train AEs to learn a mapping into 2D space and an inverse mapping into the original space. We perform a quantitative and qualitative comparison on four datasets of varying dimensionality and pattern complexity using t-SNE. Our results indicate that AEs with a customized loss function can create smoother parametric and inverse projections than feed-forward neural networks while giving users control over the strength of the smoothing effect.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google