論文の概要: Unsupervised clustering of series using dynamic programming
- arxiv url: http://arxiv.org/abs/2101.09512v1
- Date: Sat, 23 Jan 2021 14:35:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 10:50:28.225061
- Title: Unsupervised clustering of series using dynamic programming
- Title(参考訳): 動的プログラミングによる系列の教師なしクラスタリング
- Authors: Karthigan Sinnathamby, Chang-Yu Hou, Lalitha Venkataramanan,
Vasileios-Marios Gkortsas, Fran\c{c}ois Fleuret
- Abstract要約: 各クラスタに存在するブロックが既知のモデルに対して整合的であるように、シリーズをセグメント化してクラスタ化したい。
データポイントがコヒーレントであるとは、同じパラメータを持つこのモデルを使って記述できる場合である。
我々は,クラスタ数,遷移数,ブロックの最小サイズに制約のある動的プログラミングに基づくアルゴリズムを設計した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We are interested in clustering parts of a given single multi-variate series
in an unsupervised manner. We would like to segment and cluster the series such
that the resulting blocks present in each cluster are coherent with respect to
a known model (e.g. physics model). Data points are said to be coherent if they
can be described using this model with the same parameters. We have designed an
algorithm based on dynamic programming with constraints on the number of
clusters, the number of transitions as well as the minimal size of a block such
that the clusters are coherent with this process. We present an use-case:
clustering of petrophysical series using the Waxman-Smits equation.
- Abstract(参考訳): 我々は、与えられた単一の多変量級数の一部を教師なしの方法でクラスタリングすることに興味を持っている。
各クラスタに存在するブロックが既知のモデル(例えば、)に対して整合的であるように、シリーズを分割してクラスタ化したい。
物理モデル)。
データポイントがコヒーレントであるとは、同じパラメータを持つこのモデルを使って記述できる場合である。
我々は,クラスタ数,遷移数,ブロックの最小サイズに制約を課した動的プログラミングに基づくアルゴリズムを設計した。
We present an use-case: clustering of petrophysical series using the Waxman-Smits equation。
関連論文リスト
- Personalized Federated Learning via Convex Clustering [72.15857783681658]
本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。
提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
論文 参考訳(メタデータ) (2022-02-01T19:25:31Z) - Lattice-Based Methods Surpass Sum-of-Squares in Clustering [98.46302040220395]
クラスタリングは教師なし学習における基本的なプリミティブである。
最近の研究は、低次手法のクラスに対する低い境界を確立している。
意外なことに、この特定のクラスタリングモデルのtextitdoesは、統計的-計算的ギャップを示さない。
論文 参考訳(メタデータ) (2021-12-07T18:50:17Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - Local versions of sum-of-norms clustering [77.34726150561087]
本手法はボールモデルにおいて任意に閉じた球を分離できることを示す。
我々は、不連結連結集合のクラスタリングで発生する誤差に定量的な有界性を証明した。
論文 参考訳(メタデータ) (2021-09-20T14:45:29Z) - You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。
分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。
代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文 参考訳(メタデータ) (2021-06-03T14:59:59Z) - Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。
特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。
一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文 参考訳(メタデータ) (2021-04-03T15:32:49Z) - Vine copula mixture models and clustering for non-Gaussian data [0.0]
連続データのための新しいブドウパウラ混合モデルを提案する。
本研究では, モデルベースクラスタリングアルゴリズムにおいて, ベインコプラ混合モデルが他のモデルベースクラスタリング手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-02-05T16:04:26Z) - Unsupervised clustering of series using dynamic programming and neural
processes [0.0]
各クラスタに存在するブロックが、事前に定義されたモデル構造に対して一貫性があるように、シリーズをセグメント化してクラスタ化したい。
実行可能なモデルの統合を可能にし、クラスタリングタスクを支援するためにデータ駆動アプローチを1つの近似モデルに適応する一般的なフレームワークを確立することが有用である。
本研究では、arXiv:2101.09512で示されるアルゴリズムで求められる仮定を導出しながら、近似モデルを構築するためのニューラルネットワークプロセスの使用を検討する。
論文 参考訳(メタデータ) (2021-01-26T18:17:10Z) - Exact Clustering in Tensor Block Model: Statistical Optimality and
Computational Limit [10.8145995157397]
高階クラスタリングは、マルチウェイデータセットの異種サブ構造を特定することを目的とする。
非計算と問題の性質は統計学と統計学の両方に重大な課題をもたらす。
論文 参考訳(メタデータ) (2020-12-18T00:48:27Z) - Conjugate Mixture Models for Clustering Multimodal Data [24.640116037967985]
マルチモーダルクラスタリングの問題は、データが物理的に異なるセンサーで収集されるたびに発生する。
マルチモーダルクラスタリングは,新しいフレームワーク,すなわち共役混合モデル内で対処できることを示す。
論文 参考訳(メタデータ) (2020-12-09T10:13:22Z)
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。