論文の概要: Granular Computing: An Augmented Scheme of Degranulation Through a
Modified Partition Matrix
- arxiv url: http://arxiv.org/abs/2004.03379v1
- Date: Fri, 3 Apr 2020 03:20:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 05:10:38.359991
- Title: Granular Computing: An Augmented Scheme of Degranulation Through a
Modified Partition Matrix
- Title（参考訳）: 粒状計算:修正分割行列による非粒状化の拡張スキーム
- Authors: Kaijie Xu, Witold Pedrycz, Zhiwu Li, and Mengdao Xing
- Abstract要約: 大量の数値データの抽象的かつ効率的な特徴付けを形成する情報グラニュラーは、グラニュラーコンピューティングの基本的な構成要素であると考えられている。
従来の研究では, 再建誤差と造粒プロセスの性能に相関があることが示されている。
本研究では, 脱顆粒の質を高めるため, 分割行列の変更による拡張スキームの開発を行った。
- 参考スコア（独自算出の注目度）: 86.89353217469754
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an important technology in artificial intelligence Granular Computing
(GrC) has emerged as a new multi-disciplinary paradigm and received much
attention in recent years. Information granules forming an abstract and
efficient characterization of large volumes of numeric data have been
considered as the fundamental constructs of GrC. By generating prototypes and
partition matrix, fuzzy clustering is a commonly encountered way of information
granulation. Degranulation involves data reconstruction completed on a basis of
the granular representatives. Previous studies have shown that there is a
relationship between the reconstruction error and the performance of the
granulation process. Typically, the lower the degranulation error is, the
better performance of granulation is. However, the existing methods of
degranulation usually cannot restore the original numeric data, which is one of
the important reasons behind the occurrence of the reconstruction error. To
enhance the quality of degranulation, in this study, we develop an augmented
scheme through modifying the partition matrix. By proposing the augmented
scheme, we dwell on a novel collection of granulation-degranulation mechanisms.
In the constructed approach, the prototypes can be expressed as the product of
the dataset matrix and the partition matrix. Then, in the degranulation
process, the reconstructed numeric data can be decomposed into the product of
the partition matrix and the matrix of prototypes. Both the granulation and
degranulation are regarded as generalized rotation between the data subspace
and the prototype subspace with the partition matrix and the fuzzification
factor. By modifying the partition matrix, the new partition matrix is
constructed through a series of matrix operations. We offer a thorough analysis
of the developed scheme. The experimental results are in agreement with the
underlying conceptual framework
- Abstract（参考訳）: 人工知能の重要な技術である粒度コンピューティング(grc)は、新しい分野のパラダイムとして登場し、近年注目を集めている。
大量の数値データの抽象的かつ効率的なキャラクタリゼーションを形成する情報顆粒は、grcの基本構成と見なされている。
プロトタイプとパーティション行列を生成することで、ファジィクラスタリングは一般的に遭遇する情報グラニュレーションの方法である。
デグラニュレーションは、粒度の代表に基づいて完了したデータ再構成を伴う。
従来の研究では, 再建誤差と造粒プロセスの性能に相関があることが示されている。
通常、脱粒誤差が低ければ低いほど、顆粒化性能が向上する。
しかし, 従来のデグラニュレーション法では, 元の数値データの復元は不可能であり, 復元誤差の発生の背景にある重要な理由の1つである。
本研究では, 脱顆粒の質を高めるため, 分割行列の変更による拡張スキームの開発を行った。
拡張スキームの提案により, 造粒・脱粒機構の新たな集成に着目する。
構築されたアプローチでは、プロトタイプをデータセット行列と分割行列の積として表現することができる。
そして, 脱顆粒過程において, 再構成された数値データを分割行列とプロトタイプの行列の積に分解することができる。
顆粒化と脱粒は、分割行列とファズフィケーション係数を持つデータ部分空間とプロトタイプ部分空間の間の一般化された回転と見なされる。
分割行列を変更することで、新しい分割行列は一連の行列演算によって構成される。
我々は開発計画の徹底的な分析を行う。
実験結果は基礎となる概念枠組みと一致している
関連論文リスト
- Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-02T04:01:38Z) - Generalized Low-Rank Matrix Completion Model with Overlapping Group Error Representation [3.457484690890009]
低ランク行列補完(LRMC)技術は低レベル視覚タスクにおいて顕著な成果を上げている。
LRMCでは実世界の行列データが低ランクであるという前提がある。
実行列データは厳密な低ランク特性を満たさないが, 上記の行列回復法には深刻な課題があることは間違いない。
論文 参考訳（メタデータ） (2024-07-11T14:01:57Z) - Input Guided Multiple Deconstruction Single Reconstruction neural network models for Matrix Factorization [0.0]
本稿では,非負行列因子化(NMF)の概念に基づく2つのモデルを開発する。
彼らは、一対の係数行列を定め、その低階近似を発見して高次元データを扱うことを目指している。
次元削減の必要性を正当化する原データよりも低次元埋め込みの方が優れていることが確認された。
論文 参考訳（メタデータ） (2024-05-22T08:41:32Z) - Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。
MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。
理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文 参考訳（メタデータ） (2023-08-26T06:12:33Z) - Multi-modal Multi-view Clustering based on Non-negative Matrix
Factorization [0.0]
本稿では,マルチモーダルクラスタリングアルゴリズムについて検討し,マルチモーダル・マルチビュー非負行列分解法を提案する。
実験の結果,様々なデータセットを用いて評価した提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-08-09T08:06:03Z) - Mode-wise Principal Subspace Pursuit and Matrix Spiked Covariance Model [13.082805815235975]
行列データに対して行次元と列次元の両方に隠れたバリエーションを抽出するために,モードワイド・プリンシパル・サブスペース・スーツ (MOP-UP) と呼ばれる新しいフレームワークを導入する。
提案フレームワークの有効性と実用性は、シミュレーションと実データの両方の実験を通して実証される。
論文 参考訳（メタデータ） (2023-07-02T13:59:47Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z) - Robust Low-rank Matrix Completion via an Alternating Manifold Proximal
Gradient Continuation Method [47.80060761046752]
ロバスト低ランク行列補完(RMC)は、コンピュータビジョン、信号処理、機械学習アプリケーションのために広く研究されている。
この問題は、部分的に観察された行列を低ランク行列とスパース行列の重ね合わせに分解することを目的とした。
RMCに取り組むために広く用いられるアプローチは、低ランク行列の核ノルム(低ランク性を促進するために)とスパース行列のl1ノルム(空間性を促進するために)を最小化する凸定式化を考えることである。
本稿では、近年のローワークの動機付けについて述べる。
論文 参考訳（メタデータ） (2020-08-18T04:46:22Z) - Augmentation of the Reconstruction Performance of Fuzzy C-Means with an
Optimized Fuzzification Factor Vector [99.19847674810079]
Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。
本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。
合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-04-13T04:17:30Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。