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

• clusterBMA: Bayesian model averaging for clustering [1.2021605201770345]
  clusterBMAは、教師なしクラスタリングアルゴリズムの結果を平均化する重み付けモデルを可能にする方法である。 我々は,クラスタリング内部検証基準の組み合わせを,各モデルの結果を重み付けするための後部モデル確率の新たな近似として用いた。 本稿では,脳波(EEG)データに基づく個体の確率的クラスタの同定を目的としたケーススタディを通じて,本手法の性能について検討する。
  論文  参考訳（メタデータ） (2022-09-09T04:55:20Z)
• Time Series Clustering with an EM algorithm for Mixtures of Linear Gaussian State Space Models [0.0]
  線形ガウス状態空間モデルを混合したモデルに基づく時系列クラスタリング手法を提案する。 提案手法では,混合モデルの予測最大化アルゴリズムを用いてモデルパラメータを推定する。 シミュレーションデータセットの実験は、クラスタリング、パラメータ推定、モデル選択における手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-08-25T07:41:23Z)
• K-ARMA Models for Clustering Time Series Data [4.345882429229813]
  K-Meansアルゴリズムのモデルベース一般化を用いた時系列データのクラスタリング手法を提案する。 クラスタリングアルゴリズムは,不確実な偏差基準を用いて,アウトレーヤに対して頑健にすることができることを示す。 我々は,時系列クラスタリングタスクにおいて,本手法が既存の手法と競合することを示す実データ実験を行った。
  論文  参考訳（メタデータ） (2022-06-30T18:16:11Z)
• 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)
• 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)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)

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。