論文の概要: A Survey and Implementation of Performance Metrics for Self-Organized Maps

• arxiv url: http://arxiv.org/abs/2011.05847v1
• Date: Wed, 11 Nov 2020 15:28:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 22:56:48.152319
• Title: A Survey and Implementation of Performance Metrics for Self-Organized Maps
• Title（参考訳）: 自己組織化マップのパフォーマンス指標の調査と実装
• Authors: Florent Forest, Mustapha Lebbah, Hanane Azzag, J\'er\^ome Lacaille
• Abstract要約: 自己組織化マップアルゴリズムは、様々なアプリケーションドメインで40年近く使われてきた。 本稿では、使用例とともに、モジュールで利用可能なメトリクスについて紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Self-Organizing Map algorithms have been used for almost 40 years across various application domains such as biology, geology, healthcare, industry and humanities as an interpretable tool to explore, cluster and visualize high-dimensional data sets. In every application, practitioners need to know whether they can \textit{trust} the resulting mapping, and perform model selection to tune algorithm parameters (e.g. the map size). Quantitative evaluation of self-organizing maps (SOM) is a subset of clustering validation, which is a challenging problem as such. Clustering model selection is typically achieved by using clustering validity indices. While they also apply to self-organized clustering models, they ignore the topology of the map, only answering the question: do the SOM code vectors approximate well the data distribution? Evaluating SOM models brings in the additional challenge of assessing their topology: does the mapping preserve neighborhood relationships between the map and the original data? The problem of assessing the performance of SOM models has already been tackled quite thoroughly in literature, giving birth to a family of quality indices incorporating neighborhood constraints, called \textit{topographic} indices. Commonly used examples of such metrics are the topographic error, neighborhood preservation or the topographic product. However, open-source implementations are almost impossible to find. This is the issue we try to solve in this work: after a survey of existing SOM performance metrics, we implemented them in Python and widely used numerical libraries, and provide them as an open-source library, SOMperf. This paper introduces each metric available in our module along with usage examples.
• Abstract（参考訳）: 自己組織化マップアルゴリズムは、生物学、地質学、医療、産業、人文科学などの様々なアプリケーション領域で、高次元データセットを探索、クラスタ化、視覚化するための解釈可能なツールとして40年近く使われてきた。 すべてのアプリケーションにおいて、実践者は結果のマッピングをtextit{trust} にできるかどうかを知り、アルゴリズムパラメータ(例えば、マップサイズ)をチューニングするためのモデル選択を実行する必要がある。 自己組織化マップ(som)の定量的評価は、クラスタリング検証のサブセットであり、困難な問題である。 クラスタリングモデル選択は通常、クラスタリング妥当性指標を使用して達成される。 また、自己組織化されたクラスタリングモデルにも適用できますが、マップのトポロジーを無視して、疑問に答えるだけです。 SOMモデルの評価は,それらのトポロジを評価する上で,新たな課題をもたらす。 SOMモデルの性能評価の問題は、近辺の制約を取り入れた品質指標の族である「textit{topographic} indices」を産み出すなど、文学において既に十分に取り組まれている。 このような指標の一般的な例は、地形誤差、近傍保存、あるいは地形積である。 しかし、オープンソースの実装はほとんど見つからない。 既存のsomパフォーマンスメトリクスを調査した後、pythonと広く使われている数値ライブラリでそれらを実装し、オープンソースライブラリであるsomperfとして提供しました。 本稿では,我々のモジュールで利用可能な各メトリクスと使用例を紹介する。

関連論文リスト

• A Paradigm Shift in Mouza Map Vectorization: A Human-Machine Collaboration Approach [2.315458677488431]
  現在の手動のデジタル化手法は時間と労力がかかる。 本研究では,デジタル化プロセスの効率化と,時間と人的資源の節約を目的とした半自動化手法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T12:47:36Z)
• Masked Image Modeling: A Survey [73.21154550957898]
  マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。 我々は近年,分類学を構築し,最も顕著な論文をレビューしている。 我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
  論文  参考訳（メタデータ） (2024-08-13T07:27:02Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• SQLNet: Scale-Modulated Query and Localization Network for Few-Shot Class-Agnostic Counting [71.38754976584009]
  CAC(class-agnostic counting)タスクは、最近、任意のクラスの全てのオブジェクトを、入力画像にいくつかの例を付与してカウントする問題を解くために提案されている。 我々は、スケール変調クエリーおよびローカライズネットワーク(Net)と呼ばれる、新しいローカライズベースのCACアプローチを提案する。 クエリとローカライゼーションの段階において、模範者のスケールを完全に探求し、各オブジェクトを正確に位置付けし、その近似サイズを予測することで、効果的なカウントを実現している。
  論文  参考訳（メタデータ） (2023-11-16T16:50:56Z)
• WGoM: A novel model for categorical data with weighted responses [0.0]
  Weighted Grade of Membership (WGoM)モデルという新しいモデルを導入する。 GoMと比較して、我々のWGoMは応答行列の生成に関するGoMの分布制約を緩和する。 次に、潜在混合メンバシップと他のWGoMパラメータを推定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-17T04:23:31Z)
• Semi-supervised Learning of Pushforwards For Domain Translation & Adaptation [3.800498098285222]
  関連するデータ空間に2つの確率密度が与えられると、1つの密度をもう1つの密度にプッシュする写像を求める。 広いアプリケーション領域にユーティリティを持つマップには、サンプル外のデータポイントに適用するためのマップが必要です。 本稿では,正規化フローを利用して地図をパラメータ化する新しいプッシュフォワードマップ学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-18T00:35:32Z)
• Asynchronously Trained Distributed Topographic Maps [0.0]
  分散トレーニングによって特徴マップを生成するために,N$の自律ユニットを用いたアルゴリズムを提案する。 単位の自律性は、分散探索とカスケード駆動の重み更新スキームを組み合わせることで、時間と空間のスパース相互作用によって達成される。
  論文  参考訳（メタデータ） (2023-01-20T01:15:56Z)
• Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
  Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。 提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-06-17T09:40:14Z)
• 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)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• 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)

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。