論文の概要: Unsupervised clustering of series using dynamic programming and neural processes

• arxiv url: http://arxiv.org/abs/2101.10983v1
• Date: Tue, 26 Jan 2021 18:17:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 19:47:53.306926
• Title: Unsupervised clustering of series using dynamic programming and neural processes
• Title（参考訳）: 動的プログラミングとニューラルプロセスを用いたシリーズの非監視クラスタリング
• 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、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。
• 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: Following the work of arXiv:2101.09512, we are interested in clustering a given 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 predefined model structure (e.g. a physics model with a functional form defined by a number of parameters). However, such approach might have its limitation, partly because there may exist multiple models that describe the same data, and partly because the exact model behind the data may not immediately known. Hence, it is useful to establish a general framework that enables the integration of plausible models and also accommodates data-driven approach into one approximated model to assist the clustering task. Hence, in this work, we investigate the use of neural processes to build the approximated model while yielding the same assumptions required by the algorithm presented in arXiv:2101.09512.
• Abstract（参考訳）: arXiv:2101.09512の後、与えられた多変量系列を教師なしでクラスタリングすることに興味がある。 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(例えば、)に対して一貫性を持つように、シリーズをセグメンテーションしてクラスタ化したいと思います。 数個のパラメータによって定義される関数型を持つ物理モデル。 しかし、そのようなアプローチには、同じデータを記述する複数のモデルが存在すること、データの背後にある正確なモデルがすぐには知られていないことなど、制限があるかもしれない。 したがって、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。 そこで,本研究では, arXiv:2101.09512で示されるアルゴリズムと同じ仮定を導出しながら, 近似モデル構築におけるニューラルプロセスの利用について検討する。

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)
• Evaluating Generalization in Classical and Quantum Generative Models [68.8204255655161]
  我々は、生成モデルの一般化能力を評価するための単純で曖昧なアプローチを構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
  この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。 言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
  論文  参考訳（メタデータ） (2022-01-08T00:47:50Z)
• An Ample Approach to Data and Modeling [1.0152838128195467]
  さまざまな分野の概念とメソッドを統合するモデルの構築方法をモデル化するためのフレームワークについて説明する。 参照M*メタモデルフレームワークは、厳密な同値関係の観点からデータセットと各モデルの関連付けに批判的に依存する。 開発されたフレームワークがデータクラスタリング、複雑性、共同研究、ディープラーニング、クリエイティビティに関する洞察を提供する方法について、いくつかの考察がなされている。
  論文  参考訳（メタデータ） (2021-10-05T01:26:09Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
  制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。 本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-11T13:38:09Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Equivalence of Segmental and Neural Transducer Modeling: A Proof of Concept [56.46135010588918]
  RNN-Transducerモデルとセグメントモデル(直接HMM)の広く使われているクラスが等価であることを証明する。 空白確率はセグメント長確率に変換され,その逆も示された。
  論文  参考訳（メタデータ） (2021-04-13T11:20:48Z)
• Split Modeling for High-Dimensional Logistic Regression [0.2676349883103404]
  短時間コンパイルしたアンサンブルロジスティック分類モデルに対して,新しい手法を提案する。 本手法は,予測精度に優れたバイアスオフの活用法を学習する。 提案手法を実装したオープンソースソフトウェアライブラリを議論する。
  論文  参考訳（メタデータ） (2021-02-17T05:57:26Z)
• 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 [0.0]
  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。
  論文  参考訳（メタデータ） (2021-01-23T14:35:35Z)

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。