Beranda>Terkait pemrograman>Kode sumber lainnya
Unduh

Gambar LaTeX yang mengagumkan

Dibuat oleh Xinyu Chen • https://xinychen.github.io

awesome-latex-drawing adalah kumpulan 30+ contoh gambar akademis untuk menggunakan LaTeX, termasuk jaringan Bayesian, plot fungsi, model grafis, struktur tensor, dan kerangka teknis.


Keterangan

LaTeX adalah sistem penyusunan huruf berkualitas tinggi yang tersedia sebagai perangkat lunak gratis, banyak digunakan dalam beberapa tahun terakhir untuk membuat grafik akademis. Popularitasnya berasal dari kemampuannya menangani ilustrasi kompleks dengan simbol khusus dan persamaan matematika, sehingga ideal untuk menggambar grafik detail dalam penelitian.

Proyek ini memperkenalkan beberapa grafik yang dibuat menggunakan LaTeX, dengan contoh yang mudah diikuti di Overleaf, platform LaTeX online yang populer. Jika Anda tertarik, silakan menjelajahi dan mereproduksi contoh kami di Overleaf di overleaf.com.


Isi

Tabel Contoh

  • Jaringan Bayesian
    • Jaringan Bayesian dari faktorisasi CP Bayesian (BCPF)
    • Jaringan Bayesian dari faktorisasi Bayesian Gaussian CP (BGCP).
    • Jaringan Bayesian dari faktorisasi tensor tertambah Bayesian (BATF)
    • Jaringan Bayesian dari faktorisasi matriks temporal Bayesian (BTMF)

  • Model grafis
    • Matriks dan tensor deret waktu yang diamati sebagian
    • Prediksi deret waktu matriks dan tensor dengan adanya nilai yang hilang
    • Grafik tidak berarah dan melingkar pada sampel data relasional dengan derajat tertentu
    • Pemodelan deret waktu konvolusional Laplacian

  • fungsi pgfplots merencanakan
    • Fungsi PDF dan CDF dari distribusi Erlang
    • PDF berdistribusi normal dengan mean dan varian yang berbeda
    • (Bersama) Fungsi PDF dari distribusi Lognormal
    • Proses iteratif gradien konjugasi untuk menyelesaikan sistem persamaan linear
    • Pola hilang yang acak dan tidak acak
    • Fungsi Sinus dan Cosinus
    • Mekanisme peramalan deret waktu

  • tikz untuk struktur matriks
    • Ilustrasi grafis dari masalah peramalan deret waktu multivariat
    • Ilustrasi grafis dari faktorisasi matriks temporal
    • Ilustrasi grafis dari peramalan deret waktu bergulir dengan faktorisasi matriks temporal

  • tikz-3dplot untuk struktur tensor
    • Ilustrasi grafis untuk tensor (asal, tujuan, slot waktu).
    • Ilustrasi grafis faktorisasi tensor CP klasik pada tensor orde ketiga
    • Ilustrasi grafis model faktorisasi tensor augmented (AuTF).
    • Ilustrasi grafis tugas penyelesaian tensor dan kerangka kerjanya
    • Ilustrasi grafis model penyelesaian tensor autoregresif peringkat rendah
    • Ilustrasi grafis proses ambang batas nilai tunggal data tensor dengan transformasi kesatuan
    • Ilustrasi grafis model penyelesaian tensor peringkat rendah
    • Ilustrasi grafis model regresi tensor peringkat rendah

Galeri

Mencari beberapa contoh gambar LaTeX yang bagus? Berikut adalah 30+ grafik untuk menunjukkan cara menggambar di LaTaX.

Jaringan Bayesian

LaTeX menyediakan beberapa paket dan alat khusus domain yang kuat seperti tikz untuk mengaktifkan model grafis yang fleksibel. Jaringan Bayesian mewakili keluarga model grafis yang terdiri dari variabel (biasanya dilambangkan dengan node) dan hubungan ketergantungan (biasanya dilambangkan dengan panah). Untungnya, tikz memiliki perpustakaan khusus untuk menggambar jaringan Bayesian dan grafik faktor terarah.

Kotak peralatan lain dengan Python: https://docs.daft-pgm.org/en/latest/

Faktorisasi Tensor Bayesian

[Contoh 1]

Contoh ini dari makalah berikut:

  • Qibin Zhao, Liqing Zhang, Andrzej Cichocki (2015). Faktorisasi CP Bayesian dari tensor tidak lengkap dengan penentuan peringkat otomatis. Transaksi IEEE pada Analisis Pola dan Kecerdasan Mesin, 37(9): 1751-1763.
menggambar yang menunjukkan model faktorisasi Bayesian CP (BCPF). Untuk menggambar contoh jaringan Bayesian ini, ada beberapa langkah awal yang harus diikuti:
  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone , misalnya, documentclass[border = 0.1cm]{standalone} dengan batas 0.1cm,
    2. gunakan paket tikz , yaitu usepackage{tikz} , dan gunakan perpustakaan tikz seperti usetikzlibrary{bayesnet} yang merupakan alat penting untuk menggambar jaringan Bayesian dan grafik faktor berarah,
    3. atur gaya tikz dengan menggunakan perintah tikzstyle{} ,
    4. gunakan lingkungan persamaan matematika termasuk usepackage{amsfonts, amsmath, amssymb} .
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan node untuk mendefinisikan node dan kotak teks di jaringan Bayesian,
    3. gunakan path untuk menentukan panah di jaringan Bayesian,
    4. gunakan plate untuk mendefinisikan pelat di jaringan Bayesian.

Silakan klik pada gambar dan periksa kode sumbernya.


  • Buka BGCP.tex di proyek overleaf Anda, maka Anda akan melihat gambar berikut tentang model BGCP (dekomposisi Bayesian Gaussian CP) sebagai jaringan Bayesian dan grafik faktor berarah:


[Contoh 2]

Contoh ini dari makalah berikut:

Xinyu Chen, Zhaocheng He, Lijun Sun (2019). Pendekatan dekomposisi tensor Bayesian untuk imputasi data lalu lintas spatiotemporal. Penelitian Transportasi Bagian C: Teknologi Berkembang, 98: 73-84.

menggambar yang menunjukkan jaringan Bayesian model faktorisasi Bayesian Gaussian CP (BGCP). Untuk menggambar contoh jaringan Bayesian ini, ada beberapa langkah awal yang harus diikuti:
  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone , misalnya, documentclass[border = 0.1cm]{standalone} dengan batas 0.1cm,
    2. gunakan paket tikz , yaitu usepackage{tikz} , dan gunakan perpustakaan tikz seperti usetikzlibrary{bayesnet} yang merupakan alat penting untuk menggambar jaringan Bayesian dan grafik faktor berarah,
    3. atur gaya tikz dengan menggunakan perintah tikzstyle{} ,
    4. gunakan lingkungan persamaan matematika termasuk usepackage{amsmath, amsfonts, amssymb} .
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan node untuk mendefinisikan node dan kotak teks di jaringan Bayesian,
    3. gunakan path untuk menentukan panah di jaringan Bayesian,
    4. gunakan plate untuk mendefinisikan pelat di jaringan Bayesian.

Silakan klik pada gambar dan periksa kode sumbernya. Jika Anda tertarik dengan jaringan Bayesian asli BGCP di koran, silakan periksa BGCP.tex.


[Contoh 3]

Contoh ini dari makalah berikut:

Xinyu Chen, Zhaocheng He, Yixian Chen, Yuhuan Lu, Jiawei Wang (2019). Imputasi data lalu lintas dan penemuan pola tidak ada dengan model faktorisasi tensor augmented Bayesian. Penelitian Transportasi Bagian C: Teknologi Berkembang, 104: 66-77.

menggambar yang menunjukkan jaringan Bayesian model Bayesian augmented tensor factorization (BATF). Untuk menggambar contoh jaringan Bayesian ini, ada beberapa pendahuluan yang harus diikuti:
  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone , misalnya, documentclass[border = 0.1cm]{standalone} dengan batas 0.1cm,
    2. gunakan paket tikz , yaitu usepackage{tikz} , dan gunakan perpustakaan tikz seperti usetikzlibrary{bayesnet} yang merupakan alat penting untuk menggambar jaringan Bayesian dan grafik faktor berarah,
    3. atur gaya tikz dengan menggunakan perintah tikzstyle{} ,
    4. gunakan lingkungan persamaan matematika termasuk usepackage{amsmath, amsfonts, amssymb} .
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan node untuk mendefinisikan node dan kotak teks di jaringan Bayesian,
    3. gunakan path untuk menentukan panah di jaringan Bayesian,
    4. gunakan plate untuk mendefinisikan pelat di jaringan Bayesian.

Silakan klik pada gambar dan periksa kode sumbernya.


[Contoh 4]

Contoh ini dari makalah berikut:

Xinyu Chen, Lijun Sun (2021). Faktorisasi temporal Bayesian untuk prediksi deret waktu multidimensi. Transaksi IEEE pada Analisis Pola dan Kecerdasan Mesin, 44 (9): 4659-4673.

menggambar yang menunjukkan jaringan Bayesian model faktorisasi matriks temporal Bayesian (BTMF). Untuk menggambar contoh jaringan Bayesian ini, ada beberapa langkah awal yang harus diikuti:
  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone , misalnya, documentclass[border = 0.1cm]{standalone} dengan batas 0.1cm,
    2. gunakan paket tikz , yaitu usepackage{tikz} , dan gunakan perpustakaan tikz seperti usetikzlibrary{bayesnet} yang merupakan alat penting untuk menggambar jaringan Bayesian dan grafik faktor berarah,
    3. atur gaya tikz dengan menggunakan perintah tikzstyle{} ,
    4. gunakan lingkungan persamaan matematika termasuk usepackage{amsmath, amsfonts, amssymb} .
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan node untuk mendefinisikan node dan kotak teks di jaringan Bayesian,
    3. gunakan path untuk menentukan panah di jaringan Bayesian,
    4. gunakan plate untuk mendefinisikan pelat di jaringan Bayesian.

Silakan klik pada gambar dan periksa kode sumbernya. Daripada menggunakan proses autoregresif vektor multivariat pada faktor temporal, kita juga dapat menggunakan proses autoregresif univariat untuk membangun kembali BTMF. Jaringan Beyasian tersedia di btmf_net.png, Anda juga dapat melihat kode sumber btmf_net.tex.


Model Grafis

[Contoh 5]

menggambar


menggambar

Kedua contoh ini masing-masing menunjukkan matriks deret waktu dan tensor yang diamati sebagian. Untuk menggambar kedua contoh tersebut, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :

    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz .

  • kode body :

    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan node untuk mendefinisikan node dan kotak teks dalam model grafis,
    3. gunakan path untuk mendefinisikan panah dalam model grafis.

[Contoh 6]

menggambar


menggambar

Kedua contoh ini menunjukkan prediksi deret waktu dengan adanya nilai yang hilang. Untuk menggambar kedua contoh tersebut, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :

    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz .

  • kode body :

    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan node untuk mendefinisikan node dan kotak teks dalam model grafis,
    3. gunakan path untuk mendefinisikan panah dalam model grafis.

[Contoh 7]

menggambarmenggambar

Kedua contoh ini menunjukkan grafik tidak berarah dan melingkar pada sampel data relasional dengan derajat tertentu. Untuk menggambar kedua contoh tersebut, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :

    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz .

  • kode body :

    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan node untuk mendefinisikan node,
    3. gunakan path untuk mendefinisikan panah.

[Contoh 8]

menggambar

Contoh ini dari makalah berikut:

Xinyu Chen, Zhanhong Cheng, Nicolas Saunier, Lijun Sun (2022). Representasi konvolusional Laplacian untuk imputasi deret waktu lalu lintas. arXiv pracetak arXiv: 2212.01529.

yang memberikan ilustrasi grafis model konvolusional Laplacian untuk imputasi deret waktu. Untuk menggambar contohnya, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz .
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan begin{axis} end{axis} dan addplot untuk menggambar koordinat,
    3. gunakan node dan path untuk menggambar node dan panah.

pgfplots Fungsi Plotting

[Contoh 9]

menggambarmenggambar

Kedua contoh ini masing-masing menunjukkan fungsi kepadatan probabilitas (PDF) dan fungsi kepadatan kumulatif (CDF) dari distribusi Erlang. Untuk menggambar contoh, ada beberapa langkah yang harus diikuti:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket pgfplots ,
    3. atur gaya font dan sesuaikan pgfplotsset{} sesuai keinginan Anda.
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan begin{axis} end{axis} untuk menggambar fungsinya,
    3. gunakan addplot untuk mendefinisikan fungsi menggambar.

[Contoh 10]
menggambar

Contoh ini menunjukkan PDF distribusi normal dengan mean dan varians yang berbeda. Untuk menggambar contoh ini, ada beberapa langkah yang harus diikuti:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket pgfplots ,
    3. atur gaya font dan sesuaikan pgfplotsset{} sesuai keinginan Anda.
  • kode body :
    1. gunakan pgfmathdeclarefunction untuk mendefinisikan fungsi PDF distribusi normal (Gaussian),
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. gunakan begin{axis} end{axis} untuk menggambar fungsinya,
    4. gunakan addplot untuk mendefinisikan fungsi menggambar.
  • Postingan lainnya :
    1. Merencanakan Distribusi normal di pgfplots
    2. format angka dalam sumbu pgfplots
    3. Hapus notasi ilmiah yang tidak masuk akal

[Contoh 11]

menggambarmenggambar

Kedua contoh ini masing-masing menunjukkan PDF dan PDF gabungan dari distribusi Lognormal. Ada beberapa materi yang direkomendasikan untuk dicontoh:

  • Postingan lainnya :
    1. Gambarkan distribusi normal bivariat di TikZ
    2. Bagaimana dua distribusi normal bivariat dapat diplot dalam satu plot?
    3. Merencanakan Distribusi Normal Bivariat di Tikz
    4. Pisahkan kurva dengan addplot3

[Contoh 12]

menggambarmenggambar

Kedua contoh ini menunjukkan proses iteratif gradien konjugasi untuk menyelesaikan sistem persamaan linear.


[Contoh 13]

menggambarmenggambar

Kedua contoh ini menunjukkan pola hilang yang acak dan tidak acak. Untuk menggambar kedua contoh tersebut, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan pgfplots ,
    3. gunakan begin{filecontents} end{filecontents} untuk menampung data.
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan begin{axis} end{axis} untuk menggambar fungsinya,
    3. gunakan addplot untuk mengambil data.

[Contoh 14]

menggambar

Contoh ini menunjukkan empat barisan yang terdiri dari fungsi Sinus dan Cosinus. Jika barisan tersebut dianggap sebagai deret waktu, maka kita dapat melihat dua macam dinamika temporal, yaitu yang satu dari fungsi Sinus, dan yang lainnya dari fungsi Cosinus. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket pgfplots ,
    3. atur gaya font dan sesuaikan pgfplotsset{} sesuai keinginan Anda.
  • kode body :
    1. gunakan pgfmathdeclarefunction untuk mendefinisikan fungsi PDF distribusi normal (Gaussian),
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. gunakan begin{axis} end{axis} untuk menggambar fungsinya,
    4. gunakan addplot untuk mendefinisikan fungsi menggambar.

[Contoh 15]

Contoh ini mengilustrasikan mekanisme perkiraan deret waktu pada data streaming di proyek tracebase kami. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

menggambar
  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan pgfplots ,
    3. atur gaya font dan sesuaikan pgfplotsset{} sesuai keinginan Anda.
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan begin{axis} end{axis} untuk mendefinisikan grafik,
    3. gunakan addplot untuk menentukan tanda pada beberapa koordinat dan menentukan warna tanda tersebut.

tikz untuk Struktur Matriks

[Contoh 16]
menggambar

Contoh ini memberikan ilustrasi grafis dari masalah peramalan deret waktu multivariat dengan nilai yang hilang. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz .
  • kode body :
    1. atur parameter Depth , Width , dan Height dengan menggunakan newcommand ,
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. gunakan perintah draw , filldraw , dan node untuk mendefinisikan persegi panjang dan node.

[Contoh 17]

menggambar

Contoh ini memberikan ilustrasi grafis dari faktorisasi matriks temporal. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz .
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan draw dan filldraw untuk mengatur node dan persegi panjang.

[Contoh 18]
menggambar

Contoh ini memberikan ilustrasi grafis dari peramalan deret waktu bergulir dengan faktorisasi matriks temporal. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz .
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan draw dan filldraw untuk mengatur node dan persegi panjang.

tikz-3dplot untuk Struktur Tensor

[Contoh 19]

Contoh ini memberikan ilustrasi grafis dari tensor orde ketiga. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

menggambar
  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan tikz-3dplot .
  • kode body :
    1. atur parameter Depth , Width , dan Height dengan menggunakan newcommand ,
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. tentukan koordinat tepi tensor,
    4. gunakan perintah draw untuk mendefinisikan node.

[Contoh 20]

Contoh ini memberikan ilustrasi grafis faktorisasi tensor CP klasik pada tensor orde ketiga. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

menggambar
  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan tikz-3dplot .
  • kode body :
    1. atur parameter Depth , Width , dan Height dengan menggunakan newcommand ,
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. tentukan koordinat tepi tensor,
    4. gunakan perintah draw untuk mendefinisikan node.

[Contoh 21]

menggambar

Contoh ini memberikan ilustrasi grafis model faktorisasi tensor tertambah. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan tikz-3dplot .
  • kode body :
    1. atur parameter Depth , Width , dan Height dengan menggunakan newcommand ,
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. tentukan koordinat tepi tensor,
    4. gunakan perintah draw untuk mendefinisikan node.

[Contoh 22]

menggambar

Contoh ini memberikan ilustrasi grafis tugas penyelesaian tensor dan kerangka kerjanya termasuk organisasi data dan penyelesaian tensor, di mana pengukuran lalu lintas diamati sebagian. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • Meminta :
    1. unggah curve1.pdf,
    2. unggah curve2.pdf.
  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan tikz-3dplot .
  • kode body :
    1. atur parameter Depth , Width , dan Height dengan menggunakan newcommand ,
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. tentukan koordinat tepi tensor,
    4. gunakan perintah draw untuk mendefinisikan node.

[Contoh 23]

menggambar

Contoh ini memberikan ilustrasi grafis model penyelesaian tensor autoregresif peringkat rendah. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan tikz-3dplot .
  • kode body :
    1. atur parameter Depth , Width , dan Height dengan menggunakan newcommand ,
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. gunakan perintah node , path , plate untuk menentukan node, panah, dan pelat,
    4. tentukan koordinat tepi tensor,
    5. gunakan perintah draw untuk mendefinisikan node.

[Contoh 24]

Contoh ini memberikan ilustrasi grafis proses ambang batas nilai singular dari data tensor dengan transformasi kesatuan. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

menggambar

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan tikz-3dplot .
  • kode body :
    1. atur parameter Depth , Width , dan Height dengan menggunakan newcommand ,
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. gunakan perintah node untuk mendefinisikan node,
    4. tentukan koordinat tepi tensor,
    5. gunakan perintah draw untuk mendefinisikan node,
    6. gunakan perintah filldraw untuk menentukan warna persegi panjang.

[Contoh 25]

menggambar

Contoh ini memberikan ilustrasi grafis model penyelesaian tensor peringkat rendah. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • Meminta :
    1. unggah input_tensor.pdf,
    2. unggah output_tensor.pdf.
  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan tikz-3dplot ,
    3. gunakan paket algorithm2e ,
    4. gunakan usetikzlibrary{positioning, matrix, fit, calc} .
  • kode body :
    1. gunakan lingkungan begin{algorithm} end{algorithm} untuk mendefinisikan algoritma,
    2. gunakan perintah matrix untuk memposisikan komponen,
    3. gunakan begin{scope} end{scope} untuk memuat lapisan.

[Contoh 26]

menggambar

Contoh ini memberikan ilustrasi grafis model regresi tensor peringkat rendah. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz dan tikz-3dplot .
  • kode body :
    1. atur parameter Depth , Width , dan Height dengan menggunakan newcommand ,
    2. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    3. gunakan perintah draw untuk mendefinisikan node.

Visualisasi Data

[Contoh 27]

menggambar

Contoh ini menunjukkan keakuratan imputasi beberapa model matriks dan tensor. Untuk menggambar contoh ini, kita dapat mengikuti langkah-langkah berikut:

  • kode preamble :
    1. mendefinisikan documentclass sebagai standalone ,
    2. gunakan paket tikz .
  • kode body :
    1. gunakan begin{tikzpicture} end{tikzpicture} untuk mulai menggambar,
    2. gunakan perintah draw untuk mendefinisikan node,
    3. gunakan perintah pgfuseimage untuk mengimpor gambar.

Proyek Terkait

  • tikz-bayesnet
  • mengagumkan-tikz
  • transdim

Publikasi

Sebagian besar contoh ini berasal dari makalah kami:

  • Xinyu Chen, Zhanhong Cheng, HanQin Cai, Nicolas Saunier, Lijun Sun (2024). Representasi konvolusional Laplacian untuk imputasi deret waktu lalu lintas . Transaksi IEEE tentang Pengetahuan dan Rekayasa Data, 36 (11): 6490-6502. [Pracetak] [DOI] [Slide] [Data & kode Python]

  • Xinyu Chen, Lijun Sun (2022). Faktorisasi temporal Bayesian untuk prediksi deret waktu multidimensi . Transaksi IEEE pada Analisis Pola dan Kecerdasan Mesin, 44 (9): 4659-4673. [Pracetak] [DOI] [Slide] [Data & kode Python]

  • Xinyu Chen, Mengying Lei, Nicolas Saunier, Lijun Sun (2022). Penyelesaian tensor autoregresif peringkat rendah untuk imputasi data lalu lintas spatiotemporal . Transaksi IEEE pada Sistem Transportasi Cerdas, 23 (8): 12301-12310. [Pracetak] [DOI] [Data & Kode Python] (Juga diterima sebagian pada Lokakarya MiLeTS KDD 2021, lihat makalah lokakarya)

  • Xinyu Chen, Yixian Chen, Nicolas Saunier, Lijun Sun (2021). Pembelajaran tensor tingkat rendah yang dapat diskalakan untuk imputasi data lalu lintas spatiotemporal . Riset Transportasi Bagian C: Teknologi Berkembang, 129: 103226. [Pracetak] [DOI] [Data] [Kode Python]

  • Xinyu Chen, Lijun Sun (2020). Penyelesaian tensor autoregresif peringkat rendah untuk perkiraan deret waktu multivariat . arXiv pracetak arXiv: 2006.10436. [Pracetak] [Data & kode Python]

  • Xinyu Chen, Jinming Yang, Lijun Sun (2020). Model penyelesaian tensor peringkat rendah noncembung untuk imputasi data lalu lintas spatiotemporal . Riset Transportasi Bagian C: Teknologi Berkembang, 117: 102673. [Pracetak] [DOI] [Data & kode Python]

  • Xinyu Chen, Zhaocheng He, Yixian Chen, Yuhuan Lu, Jiawei Wang (2019). Imputasi data lalu lintas dan penemuan pola tidak ada dengan model faktorisasi tensor augmented Bayesian . Penelitian Transportasi Bagian C: Teknologi Berkembang, 104: 66-77. [DOI] [Slide] [Data] [Kode Matlab] [Kode Python]

  • Xinyu Chen, Zhaocheng He, Lijun Sun (2019). Pendekatan dekomposisi tensor Bayesian untuk imputasi data lalu lintas spatiotemporal . Penelitian Transportasi Bagian C: Teknologi Berkembang, 98: 73-84. [Pracetak] [DOI] [Data] [Kode Matlab] [Kode Python]

Memperluas
Informasi Tambahan
Aplikasi Terkait
Direkomendasikan untuk Anda
Informasi Terkait Semua