Fugu-MT 論文翻訳(概要): A new network-base high-level data classification methodology (Quipus) by modeling attribute-attribute interactions

論文の概要: A new network-base high-level data classification methodology (Quipus) by modeling attribute-attribute interactions

arxiv url: http://arxiv.org/abs/2009.13511v1
Date: Mon, 28 Sep 2020 17:58:12 GMT
ステータス: 処理完了
システム内更新日: 2022-10-13 21:14:49.278980
Title: A new network-base high-level data classification methodology (Quipus) by modeling attribute-attribute interactions
Title（参考訳）: 属性-属性相互作用のモデル化による新しいネットワークベース高レベルデータ分類手法(Quipus)
Authors: Esteban Wilfredo Vilca Zu\~niga, Liang Zhao
Abstract要約: 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。
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: 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 a complex network building methodology. The current methodologies use variations of kNN to produce these graphs. However, these techniques ignore some hidden patterns 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. The current results show us that this approach improves the accuracy of the high-level classification algorithm based on betweenness centrality.
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。このプロセスでは、コアは複雑なネットワーク構築方法論である。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、これらのテクニックは属性間の隠れパターンを無視し、正確な正規化を必要とする。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。以上の結果から,この手法は,中間性中心性に基づくハイレベル分類アルゴリズムの精度を向上させることが判明した。

関連論文リスト

Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文参考訳（メタデータ） (2023-10-30T16:46:05Z)
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)
Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文参考訳（メタデータ） (2022-07-04T07:05:06Z)
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)
Active Weighted Aging Ensemble for Drifted Data Stream Classification [2.277447144331876]
概念ドリフトは分類モデルの性能を不安定化し、その品質を著しく低下させる。提案手法は実データストリームと実データストリームの両方を用いて計算機実験により評価されている。その結果,提案アルゴリズムは最先端手法よりも高品質であることが確認された。
論文参考訳（メタデータ） (2021-12-19T13:52:53Z)
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)
Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文参考訳（メタデータ） (2021-07-03T01:28:42Z)
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)
New complex network building methodology for High Level Classification based on attribute-attribute interaction [0.0]
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。
論文参考訳（メタデータ） (2020-09-14T21:58:33Z)
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)
Class-Attentive Diffusion Network for Semi-Supervised Classification [27.433021864424266]
Class-Attentive Diffusion Network (CAD-Net) は、半教師付き分類のためのグラフニューラルネットワークである。本稿では,Kホップ近傍のノードを適応的に集約する新しいアグリゲーション手法を提案する。提案手法の有効性を連続的に示す7つのベンチマークデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-18T01:14:08Z)

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。