Fugu-MT 論文翻訳(概要): Randomized Self Organizing Map

論文の概要: Randomized Self Organizing Map

arxiv url: http://arxiv.org/abs/2011.09534v1
Date: Wed, 18 Nov 2020 20:34:16 GMT
ステータス: 処理完了
システム内更新日: 2022-09-24 03:18:49.203061
Title: Randomized Self Organizing Map
Title（参考訳）: ランダム化された自己組織化マップ
Authors: Nicolas P. Rougier and Georgios Is. Detorakis
Abstract要約: 2次元多様体上のニューロンのランダム配置を考慮した自己組織化マップアルゴリズムのバリエーションを提案する。これらのトポロジーは、より柔軟な自己組織化を可能にするランダムな(しかし制御可能な)不連続性を持っている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a variation of the self organizing map algorithm by considering the random placement of neurons on a two-dimensional manifold, following a blue noise distribution from which various topologies can be derived. These topologies possess random (but controllable) discontinuities that allow for a more flexible self-organization, especially with high-dimensional data. The proposed algorithm is tested on one-, two- and three-dimensions tasks as well as on the MNIST handwritten digits dataset and validated using spectral analysis and topological data analysis tools. We also demonstrate the ability of the randomized self-organizing map to gracefully reorganize itself in case of neural lesion and/or neurogenesis.
Abstract（参考訳）: 本稿では, 2次元多様体上のニューロンのランダム配置を, 様々な位相を導出可能な青色雑音分布に従って考慮し, 自己組織化マップアルゴリズムのバリエーションを提案する。これらのトポロジーは、特に高次元データにおいて、より柔軟な自己組織化を可能にするランダムな(しかし制御可能な)不連続性を持っている。提案アルゴリズムはMNIST手書き桁データセットと同様に1次元,2次元,3次元のタスクでテストされ,スペクトル解析とトポロジカルデータ解析ツールを用いて検証される。また,神経障害や神経新生の場合に,ランダム化された自己組織化マップを適切に再編成する能力を示した。

関連論文リスト

A rank decomposition for the topological classification of neural representations [0.0]
この研究では、ニューラルネットワークが連続的なピースワイズアフィンマップと等価であるという事実を活用している。多様体 $mathcalM$ と部分集合 $A$ の商のホモロジー群を研究し、これらの空間上のいくつかの極小性質を仮定する。ランダムに狭いネットワークでは、データ多様体の(コ)ホモロジー群が変化する領域が存在することを示す。
論文参考訳（メタデータ） (2024-04-30T17:01:20Z)
Memorization with neural nets: going beyond the worst case [5.662924503089369]
実際には、ディープニューラルネットワークはトレーニングデータを簡単に補間できることが多い。しかし、実世界のデータについては、暗記能力によって提案されるよりもネットワークサイズが小さいような良質な構造の存在を直感的に期待する。 2つのクラスを持つ固定有限データセットを与えられた場合、高い確率で3層ニューラルネットワークを時間内に補間する単純なランダム化アルゴリズムを導入する。
論文参考訳（メタデータ） (2023-09-30T10:06:05Z)
Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文参考訳（メタデータ） (2022-12-06T12:42:11Z)
Learning Single-Index Models with Shallow Neural Networks [43.6480804626033]
我々は、浅層ニューラルネットワークの自然なクラスを導入し、勾配流を通して単一インデックスモデルを学習する能力について研究する。対応する最適化ランドスケープが良性であることを示し、それによって専用半パラメトリック手法の準最適サンプル複雑性に一致するような一般化保証が得られることを示す。
論文参考訳（メタデータ） (2022-10-27T17:52:58Z)
Intrinsic dimension estimation for discrete metrics [65.5438227932088]
本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
論文参考訳（メタデータ） (2022-07-20T06:38:36Z)
Persistent Homological State-Space Estimation of Functional Human Brain Networks at Rest [15.272033502877413]
我々は、動的に変化する脳ネットワークの静止状態空間を推定する革新的なデータ駆動型トポロジカルデータ解析手法を導入する。この手法は、脳ネットワークの状態空間を特定する際によく使われるk平均クラスタリングよりも優れている。以上の結果から,脳ネットワークのトポロジ,特にその動的状態変化は,重要な隠れた遺伝情報を保持できる可能性が示唆された。
論文参考訳（メタデータ） (2022-01-01T01:39:05Z)
The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文参考訳（メタデータ） (2021-07-31T10:25:26Z)
Clustering multivariate functional data using unsupervised binary trees [0.0]
本研究では,汎用関数データに対するモデルに基づくクラスタリングアルゴリズムを提案する。ランダム関数データ実現は、定義領域内の離散的、おそらくランダムな点において誤差で測定することができる。新しいアルゴリズムは、簡単に解釈可能な結果とオンラインデータセットの迅速な予測を提供します。
論文参考訳（メタデータ） (2020-12-10T20:56:49Z)
Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文参考訳（メタデータ） (2020-09-28T18:30:14Z)
Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文参考訳（メタデータ） (2020-06-11T08:19:06Z)
Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。