AKWI-Tagungsband zur 35. AKWI-Jahrestagung , 2022, 202–213
AKWI 2022
Visualisierung hochdimensionaler Daten: State-of-the-Art von nichtlinearen Methoden zur Dimensionsreduktion

Bibtex

Cite as text

						@Inbook{Schmieg+Beckmann,
							Cite-key = "schmieg2022", 
							Year= "2022", 
							 
							 Volume= "AKWI-Tagungsband zur 35. AKWI-Jahrestagung  ", 
							Pages= "202–213", 
							Journal   = "Monographs",
							 Title= "Visualisierung hochdimensionaler Daten: State-of-the-Art von nichtlinearen Methoden zur Dimensionsreduktion", 
							Author= "Tobias Schmieg, Helmut Beckmann", 
							Doi= "https://doi.org/10.30844/AKWI_2022_13", 
							 Abstract= "In vielen Forschungsdisziplinen ist die Visualisierung von hochdimensionalen Daten ein wichtiger Schritt der Datenanalyse. Eine Möglichkeit solche Daten zu visualisieren ist durch nichtlineare Methoden zur Dimensionsreduktion. In dieser Arbeit wird durch eine umfangreiche Literaturanalyse der State-of-the-Art von Methoden zur nichtlinearen Dimensionsreduktion ermittelt. Durch 51 untersuchten Publikationen werden 21 verschiedene Methoden identifiziert, wobei acht dieser Methoden näher betrachtet werden. Die älteren sechs dieser acht Methoden können zwar gut die lokale Struktur von hoher Dimensionalität in zwei oder drei Dimensionen darstellen, doch nur t-SNE (t-Distributed Stochastic Neighbor Embedding) und UMAP (Uniform Manifold Approximation and Projection for Dimension Reduction) können sowohl die globale als auch die lokale Struktur gleichzeitig beibehalten. Diese acht näher betrachteten Methoden stellen den aktuellen State-of-the-Art dar.", 
							 Keywords= "nichtlineare Dimensionsreduktion, hochdimensionale Daten, State-of-the-Art, t-SNE, UMAP", 
							}
					
Tobias Schmieg, Helmut Beckmann(2022): Visualisierung hochdimensionaler Daten: State-of-the-Art von nichtlinearen Methoden zur Dimensionsreduktion. AKWI-Tagungsband zur 35. AKWI-Jahrestagung  (2022), S. 202–213. Online: https://doi.org/10.30844/AKWI_2022_13 (Abgerufen 26.12.24)

Abstract

Abstract

In vielen Forschungsdisziplinen ist die Visualisierung von hochdimensionalen Daten ein wichtiger Schritt der Datenanalyse. Eine Möglichkeit solche Daten zu visualisieren ist durch nichtlineare Methoden zur Dimensionsreduktion. In dieser Arbeit wird durch eine umfangreiche Literaturanalyse der State-of-the-Art von Methoden zur nichtlinearen Dimensionsreduktion ermittelt. Durch 51 untersuchten Publikationen werden 21 verschiedene Methoden identifiziert, wobei acht dieser Methoden näher betrachtet werden. Die älteren sechs dieser acht Methoden können zwar gut die lokale Struktur von hoher Dimensionalität in zwei oder drei Dimensionen darstellen, doch nur t-SNE (t-Distributed Stochastic Neighbor Embedding) und UMAP (Uniform Manifold Approximation and Projection for Dimension Reduction) können sowohl die globale als auch die lokale Struktur gleichzeitig beibehalten. Diese acht näher betrachteten Methoden stellen den aktuellen State-of-the-Art dar.

Keywords

Schlüsselwörter

nichtlineare Dimensionsreduktion, hochdimensionale Daten, State-of-the-Art, t-SNE, UMAP

References

Referenzen

Sorry, this entry is only available in Deutsch.

GITO events | library.gito