論文の概要: Contrastive Multiple Correspondence Analysis (cMCA): Using Contrastive Learning to Identify Latent Subgroups in Political Parties

• arxiv url: http://arxiv.org/abs/2007.04540v2
• Date: Fri, 15 Jan 2021 00:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 03:58:54.707336
• Title: Contrastive Multiple Correspondence Analysis (cMCA): Using Contrastive Learning to Identify Latent Subgroups in Political Parties
• Title（参考訳）: コントラスト多重対応分析(cmca) : コントラスト学習を用いた政党における潜在部分集団の同定
• Authors: Takanori Fujiwara, Tzu-Ping Liu
• Abstract要約: 私たちは、社会科学者がよく遭遇するデータを分析するために、対照的な学習を使用します。 本研究は,欧州,日本,米国における有権者の3つの異なる調査を解析し,対照的なMCAの有用性を実証する。
• 参考スコア（独自算出の注目度）: 2.588973722689844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling methods have long been utilized to simplify and cluster high-dimensional data. However, the latent spaces derived from these methods are sometimes uninformative or unable to identify significant differences in the data. To tackle this common issue, we adopt an emerging analysis approach called contrastive learning. We contribute to this emerging field by extending its ideas to multiple correspondence analysis (MCA) in order to enable an analysis of data often encountered by social scientists -- namely binary, ordinal, and nominal variables. We demonstrate the utility of contrastive MCA (cMCA) by analyzing three different surveys of voters in Europe, Japan, and the United States. Our results suggest that, first, cMCA can identify substantively important dimensions and divisions among (sub)groups that are overlooked by traditional methods; second, for certain cases, cMCA can still derive latent traits that generalize across and apply to multiple groups in the dataset; finally, when data is high-dimensional and unstructured, cMCA provides objective heuristics, above and beyond the standard results, enabling more complex subgroup analysis.
• Abstract（参考訳）: スケーリング手法は長い間、高次元データの単純化とクラスタ化に利用されてきた。 しかし、これらの手法から導かれる潜伏空間は、しばしば非形式的あるいは有意な差を識別できない。 この共通問題に対処するために、コントラスト学習と呼ばれる新たな分析手法を採用する。 我々は、社会科学者がしばしば遭遇するデータ、すなわちバイナリ、順序変数、および名目変数の分析を可能にするために、そのアイデアを多重対応分析(MCA)に拡張することで、この新興分野に貢献する。 本研究では,欧州,日本,米国における有権者の3つの異なる調査を解析し,コントラスト的MCA(cMCA)の有用性を実証する。 以上の結果から,cMCAは従来の手法で見過ごされる(部分群)群間において,実質的に重要な次元と分割を識別できることが示唆された。また,cMCAは,データセット内の複数のグループにまたがって一般化され,適用される遅延特性を導出することができる。

関連論文リスト

• Comparative Evaluation of Clustered Federated Learning Method [0.5242869847419834]
  CFL(Clustered Federated Learning)は、クライアントを均質なグループに分割することを目的としている。 本稿では,2つの最先端CFLアルゴリズムの性能について,フェデレートラーニング(FL)におけるデータ不均一性の分類法を提案する。 我々の目的は、CFLのパフォーマンスとデータ異種シナリオの関係をより明確に理解することである。
  論文  参考訳（メタデータ） (2024-10-18T07:01:56Z)
• CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
  我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。 ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。 人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:45:03Z)
• Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
  既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。 モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。 そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
  論文  参考訳（メタデータ） (2022-10-13T06:04:43Z)
• Contrast Pattern Mining: A Survey [54.06874773607785]
  この分野の研究者が短期間で現場の一般的な状況を理解することは困難である。 まず、識別能力を評価するための基本的な概念、タイプ、採掘戦略、メトリクスを含む、CPMの深い理解を示す。 我々は,CPM法の特徴を,境界ベースアルゴリズム,木ベースアルゴリズム,進化ファジィシステムベースアルゴリズム,決定木ベースアルゴリズム,その他のアルゴリズムに分類する。
  論文  参考訳（メタデータ） (2022-09-27T17:11:12Z)
• Opening the black-box of Neighbor Embedding with Hotelling's T2 statistic and Q-residuals [1.6058099298620425]
  隣接埋め込み(NE)技術は、高次元データの局所構造やトポロジーをよりよく保存する傾向がある。 しかし、局所的な構造を維持する能力は、解釈可能性の犠牲となる。 本稿では,データポイント群間の差別的特徴を識別する手法について述べる。
  論文  参考訳（メタデータ） (2022-09-05T14:33:42Z)
• Data Clustering as an Emergent Consensus of Autonomous Agents [0.0]
  本稿では,1次密度誘導コンセンサスプロトコルに基づくデータセグメンテーション手法を提案する。 データセグメンテーションの停止基準につながるコンセンサスモデルを数学的に厳密に分析する。
  論文  参考訳（メタデータ） (2022-04-22T09:11:35Z)
• Differentially-Private Clustering of Easy Instances [67.04951703461657]
  異なるプライベートクラスタリングでは、個々のデータポイントに関する情報を公開せずに、$k$のクラスタセンターを特定することが目標だ。 我々は、データが"簡単"である場合にユーティリティを提供する実装可能な差分プライベートクラスタリングアルゴリズムを提供する。 我々は、非プライベートクラスタリングアルゴリズムを簡単なインスタンスに適用し、結果をプライベートに組み合わせることのできるフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-29T08:13:56Z)
• KnAC: an approach for enhancing cluster analysis with background knowledge and explanations [0.20999222360659603]
  我々はKnAC(Knowledge Augmented Clustering)を紹介します。 KnACは任意のクラスタリングアルゴリズムの拡張として機能し、アプローチを堅牢でモデルに依存しないものにすることができる。
  論文  参考訳（メタデータ） (2021-12-16T10:13:47Z)
• Author Clustering and Topic Estimation for Short Texts [69.54017251622211]
  同じ文書中の単語間の強い依存をモデル化することにより、遅延ディリクレ割当を拡張できる新しいモデルを提案する。 同時にユーザをクラスタ化し、ホック後のクラスタ推定の必要性を排除しています。 我々の手法は、短文で生じる問題に対する従来のアプローチよりも、-または----------- で機能する。
  論文  参考訳（メタデータ） (2021-06-15T20:55:55Z)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)
• Promoting Semantics in Multi-objective Genetic Programming based on Decomposition [0.0]
  進化的アルゴリズム(MOEA/D)における意味的類似性に基づくクロスオーバー(SSC)は,それが標準MOEA/Dに存在しない場合と比較して,意味的多様性がより良い結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-12-08T20:07:47Z)

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。