Fugu-MT 論文翻訳(概要): New complex network building methodology for High Level Classification based on attribute-attribute interaction

論文の概要: New complex network building methodology for High Level Classification based on attribute-attribute interaction

arxiv url: http://arxiv.org/abs/2009.06762v1
Date: Mon, 14 Sep 2020 21:58:33 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 11:13:52.612652
Title: New complex network building methodology for High Level Classification based on attribute-attribute interaction
Title（参考訳）: 属性-属性相互作用に基づく高レベル分類のための新しい複雑なネットワーク構築手法
Authors: Esteban Wilfredo Vilca Zu\~niga
Abstract要約: 本稿では,属性の正規化や隠れパターンのキャプチャを必要としない属性-属性相互作用に基づくネットワーク構築手法を提案する。現在の結果から,現在のハイレベル技術の改善に有効であることが示された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: High-level classification algorithms focus on the interactions between instances. These produce a new form to evaluate and classify data. In this process, the core is the complex network building methodology because it determines the metrics to be used for classification. The current methodologies use variations of kNN to produce these graphs. However, this technique ignores some hidden pattern between attributes and require normalization to be accurate. In this paper, we propose a new methodology for network building based on attribute-attribute interactions that do not require normalization and capture the hidden patterns of the attributes. The current results show us that could be used to improve some current high-level techniques.
Abstract（参考訳）: 高レベルの分類アルゴリズムはインスタンス間の相互作用に焦点を当てている。これらはデータの評価と分類のための新しい形式を生み出します。このプロセスにおいて、コアは、分類に使用するメトリクスを決定するため、複雑なネットワーク構築手法である。現在の手法では、これらのグラフを生成するためにkNNのバリエーションを使用している。しかし、この手法は属性間の隠れパターンを無視し、正確に正規化する必要がある。本稿では,属性の隠れたパターンを正規化する必要のない属性・属性相互作用に基づくネットワーク構築のための新しい手法を提案する。現在の結果から,現在のハイレベル技術の改善に有効であることが示された。

関連論文リスト

Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文参考訳（メタデータ） (2023-10-07T07:53:12Z)
Visualization Of Class Activation Maps To Explain AI Classification Of Network Packet Captures [0.0]
ネットワーク内のコネクションの数と新しいアプリケーションの追加は、大量のログデータを引き起こします。ディープラーニング手法は、特徴抽出と単一システムにおけるデータからの分類の両方を提供する。本稿では、ネットワークデータの分類と説明技法を組み合わせて、専門家、アルゴリズム、データ間のインターフェースを形成する視覚対話型ツールを提案する。
論文参考訳（メタデータ） (2022-09-05T16:34:43Z)
Adaptive Attribute and Structure Subspace Clustering Network [49.040136530379094]
自己表現型サブスペースクラスタリングネットワークを提案する。まず、入力データサンプルを表現する自動エンコーダについて検討する。そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
論文参考訳（メタデータ） (2021-09-28T14:00:57Z)
Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文参考訳（メタデータ） (2021-08-12T02:30:38Z)
Class Introspection: A Novel Technique for Detecting Unlabeled Subclasses by Leveraging Classifier Explainability Methods [0.0]
潜在構造はデータセットの分析を行う上で重要なステップである。インスタンス説明手法を利用することで、既存の分類器を拡張して潜在クラスを検出することができる。本稿では,分類器を自動解析するパイプラインと,この手法による結果を対話的に探索するWebアプリケーションについても述べる。
論文参考訳（メタデータ） (2021-07-04T14:58:29Z)
A new network-base high-level data classification methodology (Quipus) by modeling attribute-attribute interactions [7.3810864598379755]
本稿では,正規化を必要としない属性-属性相互作用に基づくネットワーク構築手法を提案する。これらの結果から,本手法は相互性に基づく高次分類アルゴリズムの精度を向上させることが示唆された。
論文参考訳（メタデータ） (2020-09-28T17:58:12Z)
A Network-Based High-Level Data Classification Algorithm Using Betweenness Centrality [7.3810864598379755]
本稿では、ネットワーク間の重心度尺度を用いた純粋ネットワークに基づくハイレベル分類手法を提案する。我々は、このモデルを9つの異なる実際のデータセットでテストし、他の9つの伝統的なよく知られた分類モデルと比較する。
論文参考訳（メタデータ） (2020-09-16T23:14:13Z)
Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文参考訳（メタデータ） (2020-08-31T08:41:20Z)
New feature for Complex Network based on Ant Colony Optimization for High Level Classification [0.0]
高レベルの分類には、高レベルの特徴、存在パターン、データ間の関係、そして低レベルの特徴と高レベルの特徴を組み合わせて分類する。本稿では,Ant Colony Systemアプローチに従ってネットワークのアーキテクチャを記述するための新機能を提案する。
論文参考訳（メタデータ） (2020-08-29T00:22:43Z)
Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
論文参考訳（メタデータ） (2020-07-05T21:42:26Z)
Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。