Academic literature on the topic 'T-stochastic neighbor embedding'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'T-stochastic neighbor embedding.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "T-stochastic neighbor embedding"
Chan, David M., Roshan Rao, Forrest Huang, and John F. Canny. "GPU accelerated t-distributed stochastic neighbor embedding." Journal of Parallel and Distributed Computing 131 (September 2019): 1–13. http://dx.doi.org/10.1016/j.jpdc.2019.04.008.
Full textHuang, Yanyong, Kejun Guo, Xiuwen Yi, Jing Yu, Zongxin Shen, and Tianrui Li. "T-copula and Wasserstein distance-based stochastic neighbor embedding." Knowledge-Based Systems 243 (May 2022): 108431. http://dx.doi.org/10.1016/j.knosys.2022.108431.
Full textValente, Daria, Chiara De Gregorio, Valeria Torti, Longondraza Miaretsoa, Olivier Friard, Rose Marie Randrianarison, Cristina Giacoma, and Marco Gamba. "Finding Meanings in Low Dimensional Structures: Stochastic Neighbor Embedding Applied to the Analysis of Indri indri Vocal Repertoire." Animals 9, no. 5 (May 15, 2019): 243. http://dx.doi.org/10.3390/ani9050243.
Full textYu, Meiting, Lingjun Zhao, Siqian Zhang, Boli Xiong, and Gangyao Kuang. "SAR target recognition using parametric supervised t-stochastic neighbor embedding." Remote Sensing Letters 8, no. 9 (May 28, 2017): 849–58. http://dx.doi.org/10.1080/2150704x.2017.1332795.
Full textZhang, Haili, Pu Wang, Xuejin Gao, Yongsheng Qi, and Huihui Gao. "Process Data Visualization Using Bikernel t-Distributed Stochastic Neighbor Embedding." Industrial & Engineering Chemistry Research 59, no. 44 (October 21, 2020): 19623–32. http://dx.doi.org/10.1021/acs.iecr.0c03333.
Full textZhang, Qiang, Yi Yao, Dongsheng Zhou, and Rui Liu. "Motion Key-Frame Extraction by Using Optimized t-Stochastic Neighbor Embedding." Symmetry 7, no. 2 (April 21, 2015): 395–411. http://dx.doi.org/10.3390/sym7020395.
Full textPitsianis, Nikos, Dimitris Floros, Alexandros-Stavros Iliopoulos, and Xiaobai Sun. "SG-t-SNE-Π: Swift Neighbor Embedding of Sparse Stochastic Graphs." Journal of Open Source Software 4, no. 39 (July 31, 2019): 1577. http://dx.doi.org/10.21105/joss.01577.
Full textCieslak, Matthew C., Ann M. Castelfranco, Vittoria Roncalli, Petra H. Lenz, and Daniel K. Hartline. "t-Distributed Stochastic Neighbor Embedding (t-SNE): A tool for eco-physiological transcriptomic analysis." Marine Genomics 51 (June 2020): 100723. http://dx.doi.org/10.1016/j.margen.2019.100723.
Full textMa, Xiaobo, Yuchen Zhang, Fengshan Zhang, and Hongbin Liu. "Monitoring of papermaking wastewater treatment processes using t-distributed stochastic neighbor embedding." Journal of Environmental Chemical Engineering 9, no. 6 (December 2021): 106559. http://dx.doi.org/10.1016/j.jece.2021.106559.
Full textKoolstra, Kirsten, Peter Börnert, Boudewijn P. F. Lelieveldt, Andrew Webb, and Oleh Dzyubachyk. "Stochastic neighbor embedding as a tool for visualizing the encoding capability of magnetic resonance fingerprinting dictionaries." Magnetic Resonance Materials in Physics, Biology and Medicine 35, no. 2 (October 23, 2021): 223–34. http://dx.doi.org/10.1007/s10334-021-00963-8.
Full textDissertations / Theses on the topic "T-stochastic neighbor embedding"
Droh, Erik. "T-Distributed Stochastic Neighbor Embedding Data Preprocessing Impact on Image Classification using Deep Convolutional Neural Networks." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-237422.
Full textBildklassificering i maskinlärning innefattar uppgiften att identifiera objekt i en bild. Tekniken har applikationer inom olika områden så som e-handel, sociala medier och säkerhetsövervakning. I denna rapport undersöker författaren effekten av att användat-Distributed Stochastic Neighbour Embedding (t-SNE) på data som ett förbehandlingssteg vid klassificering av flera klasser av kläder med ett state-of-the-art Deep Convolutio-nal Neural Network (DCNN). t-SNE-algoritmen använder dimensioneringsreduktion och grupperar liknande objekt nära varandra i tredimensionellt utrymme. Att extrahera denna information i form av en positionskoordinat ger oss en ny parameter som kan hjälpa till med klassificeringsprocessen eftersom funktionerna som den använder kan skilja sig från DCNN-modelen. Tre olika DCNN-modeller får olika in-data och jämförs därefter. Den första referensmodellen mottar endast pixelvärden, det andra och det tredje motar pixelvärden tillsammans med positionskoordinaterna från t-SNE-förbehandlingen för varje datapunkt men med olika hyperparametervärden i förbehandlingssteget. I studien används Fashion-MNIST datasetet som innehåller 10 olika klädklasser som är normaliserade och gråskalade för enkel användning. Datasetet innehåller totalt 70.000 bilder. Resultaten visar minst förändring i klassificeringsnoggrannheten vid användning av en låg densitets karta med högre inlärningsgrad allt eftersom datastorleken ökar, medan en mer tät karta och lägre inlärningsgrad uppnår en signifikant ökad noggrannhet på 4.4% när man använder en liten datamängd. Detta är bevis på att metoden kan användas för att öka klassificeringsresultaten när datamängden är begränsad.
Agis, Cherta David. "Desarrollo de un sistema de monitorización de la integridad estructural para aplicaciones en ingeniería mediante técnicas de reducción de la dimensionalidad." Doctoral thesis, Universitat Politècnica de Catalunya, 2020. http://hdl.handle.net/10803/670561.
Full textEsta tesis describe una estrategia de monitorización de la salud estructural (SHM, por sus siglas en inglés) para detectar y clasificar fallos en estructuras que pueden ser equipadas con sensores. La SHM es un área de gran interés, ya que su objetivo principal es la verificación de la salud de la estructura para asegurar su correcto funcionamiento y, a su vez, ahorrar costes de mantenimiento. Este objetivo se consigue haciendo uso de algoritmos y equipando a la estructura con una red de sensores que la monitorizan de forma continuada. Investigadores de todo el mundo centran sus esfuerzos en el desarrollo de nuevas formas de monitorización continua para conocer el estado actual de la estructura y evitar posibles fallos o catástrofes. En este sentido, en este trabajo, se utiliza una red de sensores piezoeléctricos (PZT, por sus siglas en inglés) para el desarrollo de la estrategia de detección y clasificación de los cambios estructurales. Esta red de PZT, adherida a la superficie de la estructura a diagnosticar, aplica señales vibracionales de excitación y al mismo tiempo recoge las respuestas propagadas a través de la estructura. Con esta información recopilada se desarrollan ciertos algoritmos matemáticos. Para llevar a cabo la tarea principal de la metodología propuesta, detección y clasificación de fallos, se utiliza esencialmente la técnica denominada t-distributed stochastic neighbor embedding (t-SNE). Dicha técnica es capaz de representar la estructura local de los datos de alta dimensionalidad recopilados por la red de sensores en un espacio bidimensional o tridimensional. Además, para la clasificación de los cambios estructurales, se amplía la metodología de detección añadiendo el uso de tres estrategias: (a) la distancia punto-centroide más pequeña; (b) el voto mayoritario; y (c) la suma de las inversas de las distancias. La metodología propuesta en este estudio se prueba y valida utilizando una placa de aluminio equipada con cuatro sensores PZT y para ciertos daños predefinidos. Los prometedores resultados obtenidos ponen de manifiesto la gran capacidad de clasificación y el fuerte rendimiento de esta metodología, clasificando con éxito cerca del 100% de los casos en varios escenarios experimentales. La principal contribución de este proyecto es la combinación de la técnica t-SNE con un preprocesamiento de los datos cuidosamente seleccionado y con las tres estrategias de clasificación propuestas. Esta combinación mejora significativamente la calidad de los grupos o clústeres obtenidos con el método de detección y clasificación de daños, que representan los diferentes estados estructurales. Asimismo, dicha combinación diagnostica una estructura con un bajo coste computacional y una alta fiabilidad. En cuanto a la aplicabilidad de la estrategia sugerida, no hay un campo de aplicación prescrito: si se puede instalar una red de sensores en la estructura a diagnosticar y se pueden considerar varias fases de actuación, el enfoque aquí presentado puede implementarse a priori.
Book chapters on the topic "T-stochastic neighbor embedding"
Balamurali, Mehala. "t-Distributed Stochastic Neighbor Embedding." In Encyclopedia of Mathematical Geosciences, 1–9. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-26050-7_446-1.
Full textTripathy, B. K., S. Anveshrithaa, and Shrusti Ghela. "t-Distributed Stochastic Neighbor Embedding (t-SNE)." In Unsupervised Learning Approaches for Dimensionality Reduction and Data Visualization, 127–35. Boca Raton: CRC Press, 2021. http://dx.doi.org/10.1201/9781003190554-13.
Full textSchubert, Erich, and Michael Gertz. "Intrinsic t-Stochastic Neighbor Embedding for Visualization and Outlier Detection." In Similarity Search and Applications, 188–203. Cham: Springer International Publishing, 2017. http://dx.doi.org/10.1007/978-3-319-68474-1_13.
Full textKitazono, Jun, Nistor Grozavu, Nicoleta Rogovschi, Toshiaki Omori, and Seiichi Ozawa. "t-Distributed Stochastic Neighbor Embedding with Inhomogeneous Degrees of Freedom." In Neural Information Processing, 119–28. Cham: Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-46675-0_14.
Full textFooladgar, E., and C. Duwig. "Identification of Combustion Trajectories Using t-Distributed Stochastic Neighbor Embedding (t-SNE)." In Direct and Large-Eddy Simulation XI, 245–51. Cham: Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-04915-7_33.
Full textSoni, Jayesh, Nagarajan Prabakar, and Himanshu Upadhyay. "Visualizing High-Dimensional Data Using t-Distributed Stochastic Neighbor Embedding Algorithm." In Principles of Data Science, 189–206. Cham: Springer International Publishing, 2020. http://dx.doi.org/10.1007/978-3-030-43981-1_9.
Full textLee, John A., and Michel Verleysen. "On the Role and Impact of the Metaparameters in t-distributed Stochastic Neighbor Embedding." In Proceedings of COMPSTAT'2010, 337–46. Heidelberg: Physica-Verlag HD, 2010. http://dx.doi.org/10.1007/978-3-7908-2604-3_31.
Full textMeniailov, Ievgen, Serhii Krivtsov, and Tetyana Chumachenko. "Dimensionality Reduction of Diabetes Mellitus Patient Data Using the T-Distributed Stochastic Neighbor Embedding." In Smart Technologies in Urban Engineering, 86–95. Cham: Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-20141-7_9.
Full textDeng, Xing, Feipeng Da, and Haijian Shao. "Short-Term Wind Power Forecasting Based on the Deep Learning Approach Optimized by the Improved T-distributed Stochastic Neighbor Embedding." In Proceedings of the 11th International Conference on Computer Engineering and Networks, 53–65. Singapore: Springer Singapore, 2021. http://dx.doi.org/10.1007/978-981-16-6554-7_6.
Full textCeballos, Julian, Leandro Ariza-Jiménez, and Nicolás Pinel. "Standardized Approaches for Assessing Metagenomic Contig Binning Performance from Barnes-Hut t-Stochastic Neighbor Embeddings." In IFMBE Proceedings, 761–68. Cham: Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-30648-9_101.
Full textConference papers on the topic "T-stochastic neighbor embedding"
Huang, Yanyong, Kejun Guo, and Wei Deng. "T-copula-based stochastic neighbor embedding." In 14th International FLINS Conference (FLINS 2020). WORLD SCIENTIFIC, 2020. http://dx.doi.org/10.1142/9789811223334_0015.
Full textRogovschi, Nicoleta, Jun Kitazono, Nistor Grozavu, Toshiaki Omori, and Seiichi Ozawa. "t-Distributed stochastic neighbor embedding spectral clustering." In 2017 International Joint Conference on Neural Networks (IJCNN). IEEE, 2017. http://dx.doi.org/10.1109/ijcnn.2017.7966046.
Full textZhang, Biyin, and Xin Yu. "Hyperspectral image visualization using t-distributed stochastic neighbor embedding." In Ninth International Symposium on Multispectral Image Processing and Pattern Recognition (MIPPR2015), edited by Jianguo Liu and Hong Sun. SPIE, 2015. http://dx.doi.org/10.1117/12.2205840.
Full textYu, Meiting, Lingjun Zhao, Siqian Zhang, and Gangyao Kuang. "SAR target recognition via linear t-stochastic neighbor embedding and sparse representation." In 2017 Progress In Electromagnetics Research Symposium - Spring (PIERS). IEEE, 2017. http://dx.doi.org/10.1109/piers.2017.8262066.
Full textLasisi, Ahmed, Antonio Merheb, Allan Zarembski, and Nii Attoh-Okine. "Rail Track Quality and T-Stochastic Neighbor Embedding for Hybrid Track Index." In 2019 IEEE International Conference on Big Data (Big Data). IEEE, 2019. http://dx.doi.org/10.1109/bigdata47090.2019.9006236.
Full textDu, Jing, and Qingbin Tong. "Application of t-Distribution Stochastic Neighbor Embedding (t-SNE) And VMD In Fault Feature Extraction." In 2020 3rd International Conference on Advanced Electronic Materials, Computers and Software Engineering (AEMCSE). IEEE, 2020. http://dx.doi.org/10.1109/aemcse50948.2020.00171.
Full textYang, Zan, Yuan Sun, Dan Li, Zhihao Zhang, and Yuchen Xie. "T-Distributed Stochastic Neighbor Embedding with Gauss Initialization of Quantum Whale Optimization Algorithm." In 2020 39th Chinese Control Conference (CCC). IEEE, 2020. http://dx.doi.org/10.23919/ccc50068.2020.9189639.
Full textQiu, Mengdie, Zan Yang, Wei Nai, Dan Li, Yidan Xing, and Kai Li. "T-Distributed Stochastic Neighbor Embedding Based on Cockroach Swarm Optimization with Student Distribution Parameters." In 2021 IEEE 12th International Conference on Software Engineering and Service Science (ICSESS). IEEE, 2021. http://dx.doi.org/10.1109/icsess52187.2021.9522161.
Full textFang, Xu, Sen Zhang, Xiaoli Su, Baoyong Zhao, Wendong Xiao, Yixin Yin, and Fenhua Wang. "Blast furnace condition data clustering based on combination of T-distributed stochastic neighbor embedding and spectral clustering." In 2019 IEEE 15th International Conference on Control and Automation (ICCA). IEEE, 2019. http://dx.doi.org/10.1109/icca.2019.8899670.
Full textAfrasiabi, Shahabodin, Mousa Afrasiabi, Behzad Behdani, Mohammad Mohammadi, Mohammad S. Javadi, Gerardo J. Osorio, and Joao P. S. Catalao. "Photovoltaic Array Fault Detection and Classification based on T-Distributed Stochastic Neighbor Embedding and Robust Soft Learning Vector Quantization." In 2021 IEEE International Conference on Environment and Electrical Engineering and 2021 IEEE Industrial and Commercial Power Systems Europe (EEEIC / I&CPS Europe). IEEE, 2021. http://dx.doi.org/10.1109/eeeic/icpseurope51590.2021.9584770.
Full text