論文の概要: Deep Goal-Oriented Clustering
- arxiv url: http://arxiv.org/abs/2006.04259v3
- Date: Tue, 16 Jun 2020 00:32:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 07:47:46.399630
- Title: Deep Goal-Oriented Clustering
- Title（参考訳）: 深い目標指向クラスタリング
- Authors: Yifeng Shi, Christopher M. Bender, Junier B. Oliva, Marc Niethammer
- Abstract要約: クラスタリングと予測は、教師なしおよび教師なし学習の分野における2つの主要なタスクである。
サイドインフォメーションによる監視を併用してデータをクラスタリングする確率的フレームワークであるDeep Goal-Oriented Clustering (DGC)を紹介した。
我々は,最先端技術に匹敵する予測精度を達成し,データセットに対するモデルの有効性を示す。
- 参考スコア（独自算出の注目度）: 25.383738675621505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clustering and prediction are two primary tasks in the fields of unsupervised
and supervised learning, respectively. Although much of the recent advances in
machine learning have been centered around those two tasks, the interdependent,
mutually beneficial relationship between them is rarely explored. One could
reasonably expect appropriately clustering the data would aid the downstream
prediction task and, conversely, a better prediction performance for the
downstream task could potentially inform a more appropriate clustering
strategy. In this work, we focus on the latter part of this mutually beneficial
relationship. To this end, we introduce Deep Goal-Oriented Clustering (DGC), a
probabilistic framework that clusters the data by jointly using supervision via
side-information and unsupervised modeling of the inherent data structure in an
end-to-end fashion. We show the effectiveness of our model on a range of
datasets by achieving prediction accuracies comparable to the state-of-the-art,
while, more importantly in our setting, simultaneously learning congruent
clustering strategies.
- Abstract（参考訳）: クラスタリングと予測は、教師なし学習と教師なし学習の2つの主要なタスクである。
機械学習の最近の進歩の多くはこれらの2つのタスクを中心にしているが、相互依存的、相互に有益な関係は滅多に研究されていない。
データを適切にクラスタリングすることは、下流の予測タスクに役立ち、逆に下流のタスクに対するより良い予測性能は、より適切なクラスタリング戦略を通知する可能性がある。
本研究では,この相互に有益な関係の後半に焦点をあてる。
そこで本研究では,サイドインフォメーションと非教師なしモデリングを併用し,エンドツーエンドでデータ集合を行う確率的フレームワークであるdeep goal-oriented clustering(dgc)を提案する。
我々は、最先端技術に匹敵する予測精度を達成し、また、我々の設定において、同種のクラスタリング戦略を同時に学習することで、データセットにおけるモデルの有効性を示す。
関連論文リスト
- Causal Unsupervised Semantic Segmentation [60.178274138753174]
教師なしセマンティックセグメンテーションは、人間のラベル付きアノテーションなしで高品質なセマンティックセマンティックセグメンテーションを実現することを目的としている。
本稿では、因果推論からの洞察を活用する新しいフレームワークCAUSE(CAusal Unsupervised Semantic sEgmentation)を提案する。
論文 参考訳（メタデータ） (2023-10-11T10:54:44Z) - An Operational Perspective to Fairness Interventions: Where and How to
Intervene [9.833760837977222]
フェアネス介入の評価と文脈化のための包括的枠組みを提案する。
予測パリティに関するケーススタディで、我々のフレームワークを実証する。
グループデータを使わずに予測パリティを実現することは困難である。
論文 参考訳（メタデータ） (2023-02-03T07:04:33Z) - A Deep Dive into Deep Cluster [0.2578242050187029]
DeepClusterは、ビジュアル表現のシンプルでスケーラブルな教師なし事前トレーニングである。
本稿では,DeepClusterの収束と性能が,畳み込み層のランダムフィルタの品質と選択されたクラスタ数の相互作用に依存することを示す。
論文 参考訳（メタデータ） (2022-07-24T22:55:09Z) - Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。
本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-11T13:38:09Z) - You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。
分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。
代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文 参考訳（メタデータ） (2021-06-03T14:59:59Z) - An unsupervised deep learning framework via integrated optimization of
representation learning and GMM-based modeling [31.334196673143257]
本稿では,ディープ表現とGMMに基づくディープモデリングの両面において,共同学習の新たな原則を提案する。
類似分野の既存の作業と比較すると、目的関数は2つの学習目標を持ち、共同で最適化されるように作成される。
クラスタ間距離を小さくすることでクラスタのコンパクト性を著しく向上し、クラスタ間距離を増大させることで分離性を向上させる。
論文 参考訳（メタデータ） (2020-09-11T04:57:03Z) - Topology-based Clusterwise Regression for User Segmentation and Demand
Forecasting [63.78344280962136]
本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。
本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
論文 参考訳（メタデータ） (2020-09-08T12:10:10Z) - Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。
提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。
視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
論文 参考訳（メタデータ） (2020-07-15T21:58:39Z) - Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
本稿では,最適コンセンサスを近似する凝集分析法を提案する。
本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。
4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
論文 参考訳（メタデータ） (2020-05-12T05:39:10Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z)
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。