Fugu-MT 論文翻訳(概要): Heterogeneous Transfer Learning in Ensemble Clustering

論文の概要: Heterogeneous Transfer Learning in Ensemble Clustering

arxiv url: http://arxiv.org/abs/2001.07155v1
Date: Mon, 20 Jan 2020 16:03:38 GMT
ステータス: 処理完了
システム内更新日: 2023-01-08 05:03:33.063522
Title: Heterogeneous Transfer Learning in Ensemble Clustering
Title（参考訳）: アンサンブルクラスタリングにおける異種転送学習
Authors: Vladimir Berikov
Abstract要約: 類似したラベル付きデータが利用できるクラスタリング問題を考える。本手法は,データの構造的特徴を記述したメタ機能の構築に基づく。モンテカルロモデルを用いた実験により,その効率性が確認された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work proposes an ensemble clustering method using transfer learning approach. We consider a clustering problem, in which in addition to data under consideration, "similar" labeled data are available. The datasets can be described with different features. The method is based on constructing meta-features which describe structural characteristics of data, and their transfer from source to target domain. An experimental study of the method using Monte Carlo modeling has confirmed its efficiency. In comparison with other similar methods, the proposed one is able to work under arbitrary feature descriptions of source and target domains; it has smaller complexity.
Abstract（参考訳）: 本稿では,転送学習手法を用いたアンサンブルクラスタリング手法を提案する。我々は,検討中のデータに加えて,ラベル付きデータの「類似性」も考慮したクラスタリング問題を考える。データセットは、異なる特徴で記述できる。本手法は,データの構造特性を記述したメタ機能の構築と,ソースからターゲットドメインへの転送に基づく。モンテカルロモデルを用いた実験により,その効率性が確認された。他の類似した手法と比較して、提案手法はソースドメインとターゲットドメインの任意の特徴記述の下で動作することができる。

関連論文リスト

A Deterministic Information Bottleneck Method for Clustering Mixed-Type Data [0.0]
混合型データ,すなわち連続変数と分類変数の両方からなるデータをクラスタリングするための情報理論手法を提案する。この方法は決定論的情報ボトルネックアルゴリズムの変種であり、基盤構造に関する関連情報を保持しながらデータを最適に圧縮する。
論文参考訳（メタデータ） (2024-07-03T09:06:19Z)
Model Based Co-clustering of Mixed Numerical and Binary Data [0.0]
コクラスタリング(co-clustering)は、データマトリックスの行と列の間の基盤となるブロック構造を抽出するデータマイニング手法である。本稿では,遅延ブロックモデルに基づく協調クラスタリングを混合データの場合にまで拡張する。
論文参考訳（メタデータ） (2022-12-22T14:16:08Z)
Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文参考訳（メタデータ） (2022-11-03T08:18:27Z)
Review of Clustering Methods for Functional Data [1.827510863075184]
このレビューは、機能データ分析コミュニティとクラスタリングコミュニティのギャップを埋めることを目的としている。本稿では,既存の機能的データクラスタリング手法の相互関係と差異を探索する系統分類法を提案する。
論文参考訳（メタデータ） (2022-10-03T12:15:23Z)
Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文参考訳（メタデータ） (2022-02-07T13:08:11Z)
Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文参考訳（メタデータ） (2021-04-03T15:32:49Z)
Towards Improved and Interpretable Deep Metric Learning via Attentive Grouping [103.71992720794421]
グループ化は、様々な特徴の計算にディープ・メトリック・ラーニングでよく用いられてきた。本稿では,任意のメトリクス学習フレームワークと柔軟に統合可能な,改良された解釈可能なグループ化手法を提案する。
論文参考訳（メタデータ） (2020-11-17T19:08:24Z)
Dataset Dynamics via Gradient Flows in Probability Space [15.153110906331733]
本稿では,データ生成連立確率分布の最適化を目的とした,データセット変換のための新しいフレームワークを提案する。このフレームワークは、分類データセットに制約を課したり、トランスファーラーニングに適応させたり、固定またはブラックボックスモデルを再使用して -- 高精度で -- 以前は見つからなかったデータセットを分類するために使用することができる。
論文参考訳（メタデータ） (2020-10-24T03:29:22Z)
Spherical Feature Transform for Deep Metric Learning [58.35971328774927]
本研究は,新しい球面特徴変換手法を提案する。これは、クラス間の同一共分散の仮定を、超球面上の異なるクラスの類似共分散の仮定に緩和する。本研究では,2つの異なる変換間の関係について,簡便かつ効果的な学習法と深度解析を行う。
論文参考訳（メタデータ） (2020-08-04T11:32:23Z)
Elastic Coupled Co-clustering for Single-Cell Genomic Data [0.0]
シングルセル技術により、前例のない解像度でゲノム機能をプロファイルできるようになった。データ統合はクラスタリングアルゴリズムのパフォーマンスを向上させる可能性がある。本研究では,教師なしの移動学習フレームワークで問題を定式化する。
論文参考訳（メタデータ） (2020-03-29T08:21:53Z)
Conjoined Dirichlet Process [63.89763375457853]
我々はディリクレ過程に基づく新しい非パラメトリック確率的ビクラスタリング法を開発し、列と列の双方に強い共起を持つビクラスタを同定する。本手法はテキストマイニングと遺伝子発現解析の2つの異なる応用に適用し,既存の手法に比べて多くの設定でビクラスタ抽出を改善することを示す。
論文参考訳（メタデータ） (2020-02-08T19:41:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。