Uniform Manifold Approximation and Projection
PulseAugur coverage of Uniform Manifold Approximation and Projection — every cluster mentioning Uniform Manifold Approximation and Projection across labs, papers, and developer communities, ranked by signal.
- used by principal component analysis 70%
- instance of principal component analysis 70%
- used by hdbscan 70%
- used by alphaXiv 70%
- developed alphaXiv 70%
- instance of DagsHub 70%
- used by ScienceCast 70%
- used by DBSCAN 70%
- competes with t-Distributed Stochastic Neighbor Embedding 60%
- instance of t-Distributed Stochastic Neighbor Embedding 60%
- other Gotit.pub 60%
- instance of alphaXiv 60%
8 天有情绪数据
-
AI工具ViabiLens使用明场成像预测细胞活力
研究人员开发了ViabiLens，这是一款人工智能驱动的软件，仅使用明场成像即可准确计数细胞并预测其活力，无需传统的染色方法。这种新方法结合了细胞检测模型、卷积神经网络分类器和交互式UMAP查看器。在对中国仓鼠卵巢（CHO）细胞进行测试时，ViabiLens与基于荧光的方法相比，平均绝对误差为2.68%，为细胞活力评估提供了一种干扰性更小、更实时的方法。
-
Vision Transformer Token在语义与背景表示方面显示出专业化
研究人员调查了自监督Vision Transformer (ViTs)，例如DINOv2中特定Token类型的功用。通过在寄存器Token和高范数异常Patch Token上训练稀疏自编码器，他们发现寄存器Token与高级语义概念的联系更紧密，而异常Token则与背景和纹理模式相关。因果消融实验证明了显著的功能不对称性，破坏寄存器衍生的特征会导致表示相似度大幅下降，而破坏异常衍生的特征则不会。
-
ibUMAP 提供更快、更稳定的 UMAP 嵌入
研究人员开发了 ibUMAP，一种用于优化 Uniform Manifold Approximation and Projection (UMAP) 嵌入的新方法。与使用随机负采样的传统 UMAP 不同，ibUMAP 采用基于连贯场的方法，该方法从共享嵌入快照中同步评估吸引力和排斥力。该方法利用基于插值的 FFT 方案，可在 CPU 和 GPU 上进行高效评估，从而比现有实现显着加快速度。新方法还提供了更高的运行稳定性，并在局部-…
-
DE-VAE 通过不确定性分析增强数据投影
研究人员开发了 DE-VAE，这是一种新颖的变分自编码器，它结合了微分熵来增强多维数据的参数化和可逆投影。这种新方法旨在改进数据和嵌入空间中分布外样本的处理。在多个数据集上的评估表明，DE-VAE 在投影精度上可与现有的基于自编码器的方法相媲美，同时还提供了分析嵌入不确定性的手段。
-
新的InfoTaxa方法改进了用于生物多样性的无标签视觉聚类
研究人员开发了InfoTaxa，一种用于视觉嵌入的无标签聚类的新方法，以辅助细粒度视觉分类，特别是在生物多样性监测方面。虽然使用BioCLIP特征与UMAP和HDBSCAN的现有方法在科和属级别显示出潜力，但在物种级别上却停滞不前。InfoTaxa通过引入信息校准指标并使用DNA数据作为审计信号来解决这个问题，揭示了物种级别的聚类受到聚类方法和视觉表示本身的限制。研究表明，虽然改进的聚类可能会揭示更多结构，但它不能单独弥合DNA数据所…
-
新的谱分解框架增强了非线性降维能力
研究人员开发了一个名为 SDMP（用于多尺度投影的谱分解）的新框架，以解决非线性降维中的权衡问题。SDMP 使用拉普拉斯特征向量显式分解每个嵌入维度，从而能够控制和检查局部邻域保持与全局结构之间的平衡。该方法通过揭示高维结构如何影响嵌入模式以及哪些谱尺度塑造了整体投影，从而提供了更大的分析透明度。在合成、图像和单细胞数据上的评估表明，该方法在保持局部和全局结构方面具有竞争力，案例研究突显了其在解释复杂数据集方面的实用性。
-
AI模型以98%的准确率对阿联酋建筑遗产进行分类
研究人员开发了一种新颖的多模态机器学习框架，用于对阿拉伯联合酋长国的建筑风格进行分类，特别是针对住宅建筑。该方法利用OpenAI的CLIP模型，将图像的视觉特征与专家的文本描述相结合，创建统一的嵌入。经过降维和聚类后，SVM分类器在区分八种不同的建筑风格方面达到了98%的准确率，优于现有方法，并展示了多模态AI在遗产分析方面的潜力。
-
MAPLE 方法增强用于视觉分析的非线性降维
研究人员推出了一种新颖的非线性降维技术 MAPLE，旨在改进用于视觉分析的 UMAP。MAPLE 采用自监督学习方法来更好地建模流形几何，并使用最大流形容量表示 (MMCRs) 来区分相似和不相似的数据点。该方法对于生物或图像数据等复杂数据集特别有效，与 UMAP 相比，它提供了更清晰的视觉聚类分离和更精细的子聚类分辨率，同时保持了计算效率。
-
AI微调以适应真实的放射学报告风格
研究人员开发了一种方法，以提高AI生成的放射学报告与人类放射学家所写报告在风格上的一致性。通过分析CheXpert Plus数据集中的2000份报告，他们识别出五种不同的报告模式。然后，他们采用了逆向宪法AI框架，使用这些风格惯例对MedGemma-4B模型进行微调，从而在BLEU-4和ROUGE-L等文本一致性指标上取得了显著改进。
-
新框架使用无监督学习分析城市土地利用模式
研究人员开发了一个新的框架，使用无监督学习技术来分析城市土地利用模式。通过将 Ward 聚类和统一流形逼近与投影 (UMAP) 应用于来自 100 个欧洲城市的 Urban Atlas 2018 数据，他们识别出了七种不同的土地利用配置。该研究强调了该框架支持城市间比较的能力，同时也承认其在规模和边界方面的局限性。
-
NVIDIA cuML 和 RAPIDS 在 GPU 上加速机器学习工作流
本教程演示了如何使用 NVIDIA 的 cuML 和 RAPIDS 库通过 GPU 加速来实现机器学习工作流。它涵盖了设置 GPU 环境、使用 cuML 加速 scikit-learn 工作负载，以及利用原生 cuML API 与 CuPy 和 cuDF 直接互操作。该指南包括对 PCA、K-Means、逻辑回归和随机森林等各种算法的 CPU 和 GPU 性能进行基准测试，以及使用 UMAP、t-SNE 和 HDBSCAN 构建基于 …
-
自监督模型在未见数据集上表现出强大的泛化能力
研究人员进行了一项实证研究，以评估自监督编码器在不重新训练的情况下对未见数据集的泛化能力。该研究部署了在ImageNet-1k上预训练的图像模型，并比较了监督和自监督技术。研究结果表明，监督编码器在其训练域内表现更好，而自监督编码器在远离其训练域的数据上表现更优。研究还表明，在UMAP降维空间中测量的轮廓系数可以有效预测在未标记数据上的聚类性能。
-
用于构建更智能机器学习模型的降维技术
本文探讨了构建更高效、更准确的机器学习模型所必需的降维技术。文章重点介绍了主成分分析（PCA）和均匀流形逼近与投影（UMAP）等方法，以应对高维数据带来的挑战。通过减少特征数量，这些技术可以缩短训练时间并提高模型性能。
-
新框架结合流形学习技术增强图像检索能力
研究人员开发了一个新的内容基础图像检索（CBIR）框架，该框架结合了基于投影和基于排名的流形学习策略。该方法将均匀流形逼近与投影（UMAP）生成的替代低维特征表示与使用Borda Count方法重新排序的列表进行聚合。使用ResNet152、Swin Transformer和DINOv2模型的特征进行的实验证明了检索效果的提高，特别是在基线表示在精度方面遇到困难的情况下。
-
新论文提出使用精确率-召回率指标来验证降维技术
一篇新论文介绍了一个精确率-召回率框架，用于评估降维（DR）技术，特别关注它们在数据可视化中保留簇结构的能力。所提出的指标评估DR的关系阶段，量化模型相似性与预期簇标签之间的一致性。该方法旨在加速超参数调优，识别投影伪影，并确认是否捕获了底层的簇结构，从而使DR过程更有效和可靠。
-
新的SHOPCA方法通过几何洞察增强降维
研究人员开发了一种名为SHOPCA（基于形状算子的主成分分析）的新颖方法，用于无监督度量学习和降维。该技术通过使用平均形状算子正则化协方差矩阵，将微分几何信息整合到标准PCA框架中。一个单一的混合系数 alpha 控制着方差和曲率之间的平衡，从而实现可调的嵌入。该方法还包括一个基于谱特征间隙的无监督准则来选择 alpha，该准则在不需要类别标签的情况下最大化特征值的分离。SHOPCA 已在超过 50 个基准数据集上进行了评估，与 PC…
-
深度学习框架从史前手印中解码性别
研究人员开发了一个新颖的深度学习框架，旨在确定创作史前手印的个体的生理性别。这个不确定性感知的系统通过明确建模和传播不确定性来应对缺乏真实标签和人口差异等挑战。该方法包括图像处理、轮廓提取以及来自多个神经网络的集成预测，并通过流形映射和可解释人工智能技术进行验证。
-
TabSOM方法通过提高可解释性来增强表格数据的深度学习能力
研究人员开发了TabSOM，一种将表格数据编码为图像表示的新方法，以增强深度学习模型的应用。与仅考虑单个特征值的先前方法不同，TabSOM利用自组织映射（SOMs）来捕捉特征值及其相互关系。该方法在各种二元分类数据集上，与十二种现有的表格到图像技术相比，表现出了优越的性能和可解释性。
-
新的CosMAP方法改进了复杂数据的降维
研究人员开发了CosMAP，一种新的无监督降维方法，旨在为复杂、高维数据集创建忠实且可解释的嵌入。CosMAP通过结合余弦相似性邻域和对比亲和力来扩展UMAP框架，并通过吸引-排斥目标进行优化。该方法包括一个两阶段的精炼过程，首先学习一个中间高维表示来重建邻域图并初始化最终的低维嵌入。在包括手写数字、单细胞RNA测序数据和谱系信息在内的数据集上的评估表明，与现有的最先进方法相比，CosMAP产生了更连贯的视觉表示、更好的邻域保持和更清…
-
新研究探索用于二进制程序聚类的自监督学习
一项新研究探索了自监督学习（SSL）和表格表示学习（TRL）在二进制程序聚类中的应用，这是网络安全中用于恶意软件分析的关键任务。该研究在 Ember 和 Bodmas 数据集上分两个阶段进行，发现像 BYOL 和 SimSiam 这样的改编的基于视觉的 SSL 模型表现与监督方法相当。在无监督学习中，VIME 模型设定了新的最先进水平，而一种称为 VIME-R 的检索增强扩展进一步改进了它，通过更具信息量的训练对增强了恶意软件分析。