論文の概要: Improving Self-Organizing Maps with Unsupervised Feature Extraction
- arxiv url: http://arxiv.org/abs/2009.02174v1
- Date: Fri, 4 Sep 2020 13:19:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 01:42:53.675562
- Title: Improving Self-Organizing Maps with Unsupervised Feature Extraction
- Title(参考訳): 教師なし特徴抽出による自己組織化マップの改善
- Authors: Lyes Khacef, Laurent Rodriguez, Benoit Miramond
- Abstract要約: 自己組織化マップ(SOM)は脳にインスパイアされた神経モデルであり、教師なし学習に非常に有望である。
本稿では,生データの代わりに抽出した特徴を用いてSOM性能を向上させることを提案する。
我々は,SOM分類を+6.09%改善し,教師なし画像分類における最先端性能を得る。
- 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: The Self-Organizing Map (SOM) is a brain-inspired neural model that is very
promising for unsupervised learning, especially in embedded applications.
However, it is unable to learn efficient prototypes when dealing with complex
datasets. We propose in this work to improve the SOM performance by using
extracted features instead of raw data. We conduct a comparative study on the
SOM classification accuracy with unsupervised feature extraction using two
different approaches: a machine learning approach with Sparse Convolutional
Auto-Encoders using gradient-based learning, and a neuroscience approach with
Spiking Neural Networks using Spike Timing Dependant Plasticity learning. The
SOM is trained on the extracted features, then very few labeled samples are
used to label the neurons with their corresponding class. We investigate the
impact of the feature maps, the SOM size and the labeled subset size on the
classification accuracy using the different feature extraction methods. We
improve the SOM classification by +6.09\% and reach state-of-the-art
performance on unsupervised image classification.
- Abstract(参考訳): 自己組織化マップ(SOM)は脳にインスパイアされたニューラルモデルであり、教師なし学習、特に組み込みアプリケーションにおいて非常に有望である。
しかし、複雑なデータセットを扱う際に効率的なプロトタイプを学ぶことはできない。
本稿では,生データの代わりに抽出した特徴を用いてSOM性能を向上させることを提案する。
我々は、勾配学習を用いたスパース畳み込み自動エンコーダを用いた機械学習アプローチと、スパイクタイミング依存塑性学習を用いたスパイクニューラルネットワークによる神経科学アプローチの2つの異なるアプローチを用いて、教師なし特徴抽出によるSOM分類精度の比較研究を行った。
SOMは抽出した特徴に基づいて訓練され、それに対応するクラスでニューロンをラベル付けするためにラベル付きサンプルはごくわずかである。
特徴マップ,somサイズ,ラベル付きサブセットサイズが特徴抽出法の違いによる分類精度に及ぼす影響について検討した。
我々は、+6.09\%のSOM分類を改善し、教師なし画像分類における最先端性能を得る。
関連論文リスト
- DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。
弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。
我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
論文 参考訳(メタデータ) (2024-03-14T02:11:38Z) - Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。
効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。
本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文 参考訳(メタデータ) (2024-01-18T08:12:23Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳(メタデータ) (2023-10-17T01:05:28Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - Automated Feature Extraction on AsMap for Emotion Classification using
EEG [0.0]
異なる脳領域の非対称性は、脳波信号の差動エントロピー(DE)特徴からAsMapと呼ばれる2次元ベクトルで捉えられる。
AsMapsは、畳み込みニューラルネットワーク(CNN)モデルを使用して、自動的に機能を抽出するために使用される。
SEEDデータセットを用いた3クラス分類問題において,97.10%の最高分類精度が達成された。
論文 参考訳(メタデータ) (2022-01-28T11:38:29Z) - Dendritic Self-Organizing Maps for Continual Learning [0.0]
我々は、DendSOM(Dendritic-Self-Organizing Map)と呼ばれる生物学的ニューロンにインスパイアされた新しいアルゴリズムを提案する。
DendSOMは、入力空間の特定の領域からパターンを抽出する単一のSOMからなる。
ベンチマークデータセットでは、古典的なSOMやいくつかの最先端の継続的学習アルゴリズムよりも優れています。
論文 参考訳(メタデータ) (2021-10-18T14:47:19Z) - DeepSMILE: Contrastive self-supervised pre-training benefits MSI and HRD
classification directly from H&E whole-slide images in colorectal and breast
cancer [22.46523830554047]
ヘマトキシリンおよびエオシン染色腫瘍組織の全スライド画像(WSI)を解析するための深層学習に基づく弱ラベル学習法を提案する。
We apply DeepSMILE to the task of Homologous recombination deficiency (HRD) and microsatellite instability (MSI) prediction。
論文 参考訳(メタデータ) (2021-07-20T11:00:16Z) - Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。
MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。
この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
論文 参考訳(メタデータ) (2020-07-27T17:03:50Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-21T13:27:09Z) - A Deep Unsupervised Feature Learning Spiking Neural Network with
Binarized Classification Layers for EMNIST Classification using SpykeFlow [0.0]
二成分アクティベーションを用いたスパイクタイミング依存塑性(STDP)の教師なし学習技術は、スパイク入力データから特徴を抽出するために用いられる。
バランスの取れたEMNISTデータセットに対するアキュラシーは、他のアプローチと好意的に比較した。
論文 参考訳(メタデータ) (2020-02-26T23:47:35Z) - Learning Class Regularized Features for Action Recognition [68.90994813947405]
本稿では,階層活性化のクラスベース正規化を行うクラス正規化手法を提案する。
動作認識に最先端CNNアーキテクチャのクラス正規化ブロックを用いることで,Kineetics,UCF-101,HMDB-51データセットにおいて,それぞれ1.8%,1.2%,1.4%の体系的改善が得られた。
論文 参考訳(メタデータ) (2020-02-07T07:27:49Z)
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。