論文の概要: Machine Learning for Exploring Spatial Affordance Patterns

• arxiv url: http://arxiv.org/abs/2005.08106v1
• Date: Sat, 16 May 2020 21:12:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 12:57:45.729008
• Title: Machine Learning for Exploring Spatial Affordance Patterns
• Title（参考訳）: 空間余裕パターン探索のための機械学習
• Authors: Boyana Buyuklieva
• Abstract要約: この論文では、オフィスフロアプランの分析に教師付きおよび教師なしのデータマイニング技術を用いている。 幾何学と関数の関係をよりよく理解することを目的としている。
• 参考スコア（独自算出の注目度）: 0.6091702876917279
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This dissertation uses supervised and unsupervised data mining techniques to analyse office floor plans in an attempt to gain a better understanding of their geometry-to-function relationship. This question was deemed relevant after a background review of the state-of-the-art in automated floor-plan generation tools showed that such tools have been prototyped since the 1960s, but their search space is ill-informed because there are few formalisms to describe spatial affordance. To show and evaluate the relationship of geometry and use, data from visual graph analysis were used to train three supervised learners and compare these to a baseline accuracy established with a ZeroR classifier. This showed that for the office dataset examined, visual mean depth and integration are most tightly linked to usage and that the supervised learning algorithm J48 can correctly predict class performance on unseen examples to up to 79.5%. The thesis also includes an evaluation of the layout case studies with unsupervised learners, which showed that use could not be immediately reverse-engineered based solemnly on the VGA information to achieve a strong cluster-to-class evaluation.
• Abstract（参考訳）: この論文は、教師なし、教師なしのデータマイニング技術を用いてオフィスフロアの計画を分析し、その形状と機能の関係をよりよく理解しようとするものである。 自動フロアプラン生成ツールの背景調査の結果,1960年代以降,このようなツールがプロトタイプとして開発されたことが判明したが,空間的余裕を記述できる形式がほとんどないため,その検索スペースは不十分であった。 幾何学と使用法の関係を示すために、3人の教師付き学習者を訓練し、ZeroR分類器で確立したベースライン精度と比較した。 その結果、調査されたofficeデータセットでは、視覚的平均深度と統合が最も密接な関係にあり、教師付き学習アルゴリズムj48は、見えない例のクラスパフォーマンスを79.5%まで正確に予測できることがわかった。 この論文は、教師なし学習者によるレイアウトケーススタディの評価も含み、VGA情報に基づく厳密なリバースエンジニアリングにより、クラスタ・ツー・クラスの強力な評価を達成できないことを示した。

関連論文リスト

• A review of unsupervised learning in astronomy [0.0]
  このレビューでは、一般的な教師なし学習手法を要約し、天文学における過去、現在、そして将来の用途について概観する。 教師なし学習は、知識を抽出できる方法でデータセットの情報内容を整理することを目的としている。
  論文  参考訳（メタデータ） (2024-06-25T06:57:47Z)
• Piecewise-Linear Manifolds for Deep Metric Learning [8.670873561640903]
  教師なしの深度学習は、ラベルなしデータのみを使用して意味表現空間を学習することに焦点を当てる。 本稿では,各低次元線形片が点の小さな近傍でデータ多様体を近似して高次元データ多様体をモデル化することを提案する。 我々は、この類似度推定が、現在の最先端技術の類似度推定よりも基礎的真理と相関していることを実証的に示す。
  論文  参考訳（メタデータ） (2024-03-22T06:22:20Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Surprisal Driven $k$-NN for Robust and Interpretable Nonparametric Learning [1.4293924404819704]
  我々は情報理論の観点から、隣り合う従来のアルゴリズムに新たな光を当てた。 単一モデルを用いた分類,回帰,密度推定,異常検出などのタスクに対する頑健で解釈可能なフレームワークを提案する。 我々の研究は、分類と異常検出における最先端の成果を達成することによって、アーキテクチャの汎用性を示す。
  論文  参考訳（メタデータ） (2023-11-17T00:35:38Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• S$^2$Contact: Graph-based Network for 3D Hand-Object Contact Estimation with Semi-Supervised Learning [70.72037296392642]
  モノクロ画像から接触を学習できる新しい半教師付きフレームワークを提案する。 具体的には、大規模データセットにおける視覚的および幾何学的整合性制約を利用して擬似ラベルを生成する。 より正確な再構築を行うために手動インタラクションを規定するコンタクトマップを使用することの利点を示す。
  論文  参考訳（メタデータ） (2022-08-01T14:05:23Z)
• A geometric framework for outlier detection in high-dimensional data [0.0]
  異常検出はデータ分析において重要な課題である。 データセットのメトリック構造を利用するフレームワークを提供する。 この構造を利用することで,高次元データにおける外部観測の検出が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-07-01T12:07:51Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
  シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。 本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。 包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-03-29T06:35:24Z)
• GraspNet: A Large-Scale Clustered and Densely Annotated Dataset for Object Grasping [49.777649953381676]
  我々は,統合評価システムを用いた大規模グリップポーズ検出データセットに貢献する。 データセットには87,040枚のRGBD画像と3億7000万枚以上のグリップポーズが含まれている。
  論文  参考訳（メタデータ） (2019-12-31T18:15:11Z)

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。