論文の概要: A Network-Based High-Level Data Classification Algorithm Using Betweenness Centrality

• arxiv url: http://arxiv.org/abs/2009.07971v1
• Date: Wed, 16 Sep 2020 23:14:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 23:35:38.488333
• Title: A Network-Based High-Level Data Classification Algorithm Using Betweenness Centrality
• Title（参考訳）: betweenness centralityを用いたネットワークベース高レベルデータ分類アルゴリズム
• Authors: Esteban Vilca, Liang Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.3810864598379755
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Data classification is a major machine learning paradigm, which has been widely applied to solve a large number of real-world problems. Traditional data classification techniques consider only physical features (e.g., distance, similarity, or distribution) of the input data. For this reason, those are called \textit{low-level} classification. On the other hand, the human (animal) brain performs both low and high orders of learning and it has a facility in identifying patterns according to the semantic meaning of the input data. Data classification that considers not only physical attributes but also the pattern formation is referred to as \textit{high-level} classification. Several high-level classification techniques have been developed, which make use of complex networks to characterize data patterns and have obtained promising results. In this paper, we propose a pure network-based high-level classification technique that uses the betweenness centrality measure. We test this model in nine different real datasets and compare it with other nine traditional and well-known classification models. The results show us a competent classification performance.
• Abstract（参考訳）: データ分類は機械学習の主要なパラダイムであり、多くの現実世界の問題を解決するために広く応用されてきた。 従来のデータ分類技術では、入力データの物理的特徴(距離、類似性、分布など)のみを考慮する。 そのため、これらは \textit{low-level} 分類と呼ばれる。 一方、ヒト(動物)脳は、低次の学習と高次の学習の両方を行い、入力データの意味的意味に応じてパターンを識別する能力を有する。 物理的属性だけでなく、パターン形成も考慮したデータ分類を「textit{high-level}」分類と呼ぶ。 複雑なネットワークを用いてデータパターンを特徴付ける高レベルの分類手法が開発され,有望な結果を得た。 本稿では,その間性中心性尺度を用いた純粋ネットワークベースハイレベル分類手法を提案する。 このモデルを9つの実際のデータセットでテストし、他の9つの従来型およびよく知られた分類モデルと比較します。 その結果,有能な分類性能が得られた。

関連論文リスト

• Hidden Classification Layers: Enhancing linear separability between classes in neural networks layers [0.0]
  トレーニング手法の深層ネットワーク性能への影響について検討する。 本稿では,全てのネットワークレイヤの出力を含むエラー関数を誘導するニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-09T10:52:49Z)
• Generative Adversarial Classification Network with Application to Network Traffic Classification [25.93711502488151]
  本稿では,GACN(Generative Adversarial Classification Network)と呼ばれる共同データ計算とデータ分類手法を提案する。 いくつかのデータサンプルがラベル付けされていないシナリオに対しては、部分ラベル付きデータを使用して分類精度を向上させる半教師付きGACN(SSGACN)と呼ばれる拡張を提案する。 実世界のネットワークトラフィックデータトレースを用いて実験を行い、GACNとSS-GACNは、分類においてより重要となるデータ特徴をより正確に解釈し、分類精度において既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-19T15:00:47Z)
• Inspecting class hierarchies in classification-based metric learning models [0.0]
  我々は、ベンチマークと実世界のデータセット上で、いくつかのトレーニングオプションを備えたソフトマックス分類器と3つのメトリック学習モデルを訓練する。 我々は,学習したクラスの代表者や階層的インフォームドのパフォーマンス,すなわち分類性能とメートル法学習性能を事前に定義された階層構造を考慮し,階層的推論性能を評価する。
  論文  参考訳（メタデータ） (2023-01-26T12:40:12Z)
• A semantic hierarchical graph neural network for text classification [1.439766998338892]
  本稿では,単語レベル,文レベル,文書レベルから対応する情報をそれぞれ抽出する階層型グラフニューラルネットワーク(HieGNN)を提案する。 いくつかのベンチマークデータセットの実験結果は、いくつかのベースライン手法と比較して、より良い、または類似した結果が得られる。
  論文  参考訳（メタデータ） (2022-09-15T03:59:31Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• PK-GCN: Prior Knowledge Assisted Image Classification using Graph Convolution Networks [3.4129083593356433]
  クラス間の類似性は、分類のパフォーマンスに影響を与える可能性がある。 本稿では,クラス類似性の知識を畳み込みニューラルネットワークモデルに組み込む手法を提案する。 実験結果から, 利用可能なデータの量が少ない場合には, 分類精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2020-09-24T18:31:35Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)

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。