:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hangan, Daniel, Kobourov, Stephen, Miller, Jacob
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2605.00641
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Class Angular Distortion Index for Dimensionality Reduction
von: Gunaratne, Kaviru, et al.
Veröffentlicht: (2026)

"Normalized Stress" is Not Normalized: How to Interpret Stress Correctly
von: Smelser, Kiran, et al.
Veröffentlicht: (2024)

How Scale Breaks "Normalized Stress" and KL Divergence: Rethinking Quality Metrics
von: Smelser, Kiran, et al.
Veröffentlicht: (2025)

The Perception of Stress in Graph Drawings
von: Mooney, Gavin J., et al.
Veröffentlicht: (2024)

ENS-t-SNE: Embedding Neighborhoods Simultaneously t-SNE
von: Miller, Jacob, et al.
Veröffentlicht: (2022)

Drawing Trees and Cacti with Integer Edge Lengths on a Polynomial-Size Grid
von: Förster, Henry, et al.
Veröffentlicht: (2025)

Visualization Tasks for Unlabeled Graphs
von: Oddo, Matt I. B., et al.
Veröffentlicht: (2025)

When Dimensionality Reduction Meets Graph (Drawing) Theory: Introducing a Common Framework, Challenges and Opportunities
von: Paulovich, Fernando, et al.
Veröffentlicht: (2024)

Word2VecGD: Neural Graph Drawing with Cosine-Stress Optimization
von: Yang, Minglai, et al.
Veröffentlicht: (2025)

State of the Art of Graph Visualization in non‐Euclidean Spaces
von: Jacob Miller, et al.
Veröffentlicht: (2024)

Using Reinforcement Learning to Optimize the Global and Local Crossing Number
von: Brand, Timo, et al.
Veröffentlicht: (2025)

Prescriptive PCA: Dimensionality Reduction for Two-stage Stochastic Optimization
von: He, Long, et al.
Veröffentlicht: (2023)

Stochastic Gradient Langevin Dynamics with Variance Reduction
von: Huang, Zhishen, et al.
Veröffentlicht: (2021)

Riemannian Stochastic Optimization for Sufficient Dimension Reduction
von: Pautrel, Thibault, et al.
Veröffentlicht: (2026)

UMATO: Bridging Local and Global Structures for Reliable Visual Analytics with Dimensionality Reduction
von: Jeon, Hyeon, et al.
Veröffentlicht: (2025)

Bridging the Dimensional Chasm: Uncover Layer-wise Dimensional Reduction in Transformers through Token Correlation
von: Song, Zhuo-Yang, et al.
Veröffentlicht: (2025)

Unbiased Stochastic Optimization for Gaussian Processes on Finite Dimensional RKHS
von: Shoham, Neta, et al.
Veröffentlicht: (2025)

Nonlinear Dimensionality Reduction Techniques for Bayesian Optimization
von: Long, Luo, et al.
Veröffentlicht: (2025)

Size Should not Matter: Scale-invariant Stress Metrics
von: Ahmed, Reyan, et al.
Veröffentlicht: (2024)

Optimistic Online Mirror Descent for Bridging Stochastic and Adversarial Online Convex Optimization
von: Chen, Sijia, et al.
Veröffentlicht: (2023)

Adaptive Variance Reduction for Stochastic Optimization under Weaker Assumptions
von: Jiang, Wei, et al.
Veröffentlicht: (2024)

Hypergraphs as Metro Maps: Drawing Paths with Few Bends in Trees, Cacti, and Plane 4-Graphs
von: Cornelsen, Sabine, et al.
Veröffentlicht: (2025)

Diffusion Maps is not Dimensionality Reduction
von: Candanedo, Julio, et al.
Veröffentlicht: (2026)

Formation-Controlled Dimensionality Reduction
von: Jeong, Taeuk, et al.
Veröffentlicht: (2024)

Draw a Portrait of Your Graph Data: An Instance-Level Profiling Framework for Graph-Structured Data
von: Zhao, Tianqi, et al.
Veröffentlicht: (2025)

Targeted Variance Reduction: Robust Bayesian Optimization of Black-Box Simulators with Noise Parameters
von: Miller, John Joshua, et al.
Veröffentlicht: (2024)

An Efficient Hybridization of Graph Representation Learning and Metaheuristics for the Constrained Incremental Graph Drawing Problem
von: Charytitsch, Bruna C. B., et al.
Veröffentlicht: (2025)

Improving Tree Probability Estimation with Stochastic Optimization and Variance Reduction
von: Xie, Tianyu, et al.
Veröffentlicht: (2024)

Towards Weaker Variance Assumptions for Stochastic Optimization
von: Alacaoglu, Ahmet, et al.
Veröffentlicht: (2025)

Simultaneous Drawing of Layered Trees
von: Katheder, Julia, et al.
Veröffentlicht: (2023)

A Survey on Design-space Dimensionality Reduction Methods for Shape Optimization
von: Serani, Andrea, et al.
Veröffentlicht: (2024)

Quick-Draw Bandits: Quickly Optimizing in Nonstationary Environments with Extremely Many Arms
von: Everett, Derek, et al.
Veröffentlicht: (2025)

Graph Foundation Models: Bridging Language Model Paradigms and Graph Optimization
von: Liang, Yunhao, et al.
Veröffentlicht: (2025)

Out-of-Core Dimensionality Reduction for Large Data via Out-of-Sample Extensions
von: Reichmann, Luca, et al.
Veröffentlicht: (2024)

Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein
von: Van Assel, Hugues, et al.
Veröffentlicht: (2024)

We Still Don't Understand High-Dimensional Bayesian Optimization
von: Doumont, Colin, et al.
Veröffentlicht: (2025)

GNUMAP: A Parameter-Free Approach to Unsupervised Dimensionality Reduction via Graph Neural Networks
von: You, Jihee, et al.
Veröffentlicht: (2024)

Deep Learning-Accelerated Surrogate Optimization for High-Dimensional Well Control in Stress-Sensitive Reservoirs
von: Valiyev, Mahammad, et al.
Veröffentlicht: (2026)

Optimal Rates for Robust Stochastic Convex Optimization
von: Gao, Changyu, et al.
Veröffentlicht: (2024)

Median Consensus Embedding for Dimensionality Reduction
von: Tomo, Yui, et al.
Veröffentlicht: (2025)