多様体学習
多様体学習とは、高次元データがより低次元の「多様体」と呼ばれる滑らかな構造上に分布しているという仮説に基づき、データの持つ幾何学的な構造を保ったまま次元削減を行う機械学習の手法です。画像や音声などの複雑なデータから本質的な特徴を抽出し、データの可視化や前処理に活用されます。
次元削減のAI用語一覧
5件次元削減に関するAI用語を5件掲載しています。意味や使い方、関連用語を一覧から確認できます。
UMAP
UMAPは、高次元データを低次元空間に圧縮して可視化や解析を容易にする次元削減アルゴリズムです。データの局所的な構造だけでなく大域的な構造も保持しつつ高速に計算できるため、t-SNEの代替手法として機械学習やバイオインフォマティクスなどの分野で広く活用されています。
自己組織化マップ
自己組織化マップ（SOM）とは、高次元のデータを人間の目で認識しやすい低次元（通常は2次元）の空間に圧縮・可視化するための教師なし学習アルゴリズムです。データの類似性を保ちながらマッピングできる点が特徴です。
カーネル主成分分析
カーネル主成分分析は、高次元のデータ空間へデータを投影するカーネルトリックを利用し、従来の主成分分析では捉えられなかった非線形構造を抽出する次元削減手法です。データの複雑なパターンを保持したまま低次元化でき、画像認識や異常検知などの前処理で広く活用されます。
自己符号化モデル
自己符号化モデルは、入力データを一度小さな次元や別の表現に圧縮し、そこから元のデータを復元することでデータの重要な特徴を自ら学習するニューラルネットワークです。教師なし学習の代表的な手法であり、次元削減やノイズ除去などに広く利用されています。