論文の概要: Z Distance Function for KNN Classification
- arxiv url: http://arxiv.org/abs/2103.09704v1
- Date: Wed, 17 Mar 2021 15:01:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 15:43:41.733572
- Title: Z Distance Function for KNN Classification
- Title(参考訳): KNN分類のためのZ距離関数
- Authors: Shichao Zhang and Jiaye Li
- Abstract要約: Z 距離関数は、2つのデータポイント間の幾何学的直線距離ではない。
データポイント間の親和性を測定する際に、この属性をトレーニングデータセットのクラスとして考慮する。
- 参考スコア(独自算出の注目度): 10.381276986079865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a new distance metric function, called Z distance, for
KNN classification. The Z distance function is not a geometric direct-line
distance between two data points. It gives a consideration to the class
attribute of a training dataset when measuring the affinity between data
points. Concretely speaking, the Z distance of two data points includes their
class center distance and real distance. And its shape looks like "Z". In this
way, the affinity of two data points in the same class is always stronger than
that in different classes. Or, the intraclass data points are always closer
than those interclass data points. We evaluated the Z distance with
experiments, and demonstrated that the proposed distance function achieved
better performance in KNN classification.
- Abstract(参考訳): 本稿では,KNN分類のための新しい距離距離関数であるZ距離を提案する。
Z 距離関数は、2つのデータポイント間の幾何学的直線距離ではない。
データポイント間の親和性を測定する際に、トレーニングデータセットのクラス属性について考慮する。
具体的には、2つのデータポイントのz距離は、クラス中心距離と実距離を含む。
形は「z」のように見える。
このように、同じクラス内の2つのデータポイントの親和性は、常に異なるクラスよりも強い。
あるいは、クラス内のデータポイントは、クラス間のデータポイントよりも常に近い。
我々は実験によりZ距離を評価し,提案した距離関数がKNN分類においてより良い性能を示した。
関連論文リスト
- Light Curve Classification with DistClassiPy: a new distance-based classifier [0.0]
距離メートル法に基づく新しい分類器であるDistClassiPyを開発した。
可変星の光曲線を分類するためにDistClassiPyを使用し、異なるクラスの物体間の距離を比較する。
我々の分類器は最先端の性能に適合するが,計算能力は低く,解釈性も向上している。
論文 参考訳(メタデータ) (2024-03-18T18:00:00Z) - Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local
Geometry-driven Distance Metric [62.365983810610985]
そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。
CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。
一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
論文 参考訳(メタデータ) (2023-06-01T11:16:20Z) - Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。
具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。
異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文 参考訳(メタデータ) (2023-05-12T03:01:41Z) - Geodesic Sinkhorn for Fast and Accurate Optimal Transport on Manifolds [53.110934987571355]
多様体グラフ上の熱核に基づく測地学的シンクホーンを提案する。
化学療法中の患者試料からの高次元単細胞データの複数分布のバリセンタの計算に本法を適用した。
論文 参考訳(メタデータ) (2022-11-02T00:51:35Z) - 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) - A new distance measurement and its application in K-Means Algorithm [7.168628921229442]
ユークリッド距離に基づくK平均クラスタリングアルゴリズムは、サンプル間の線形距離にのみ注意を払う。
我々は,新しい距離測定,すなわちビュー距離を提案し,それをK-Meansアルゴリズムに適用する。
実験の結果、ほとんどのデータセットにおいて、ビュー距離に基づくK-Meansアルゴリズムは分類精度とクラスタリング効果をある程度改善していることがわかった。
論文 参考訳(メタデータ) (2022-06-10T16:26:22Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳(メタデータ) (2022-04-05T15:48:39Z) - Hyperbolic Vision Transformers: Combining Improvements in Metric
Learning [116.13290702262248]
計量学習のための新しい双曲型モデルを提案する。
本手法のコアとなるのは、双曲空間にマッピングされた出力埋め込みを備えた視覚変換器である。
4つのデータセットに6つの異なる定式化を施したモデルの評価を行った。
論文 参考訳(メタデータ) (2022-03-21T09:48:23Z) - Combining Minkowski and Chebyshev: New distance proposal and survey of
distance metrics using k-nearest neighbours classifier [0.0]
この研究はミンコフスキーとチェビシェフの距離を組み合わせた距離を提案し、中間距離と見なすことができる。
提案された距離はマンハッタン距離の約1.3倍、ユークリッド距離の約329.5倍である。
論文 参考訳(メタデータ) (2021-12-21T16:47:54Z) - Few-Shot Image Classification Along Sparse Graphs [4.79123314326423]
殆どの現実世界のデータに対して、満足のいく1ショットの精度で学習することは難しい問題だ。
深層ネットワークの機能空間におけるデータ分布の異なる視点を示し、これを数ショットの学習に活用する方法を示す。
我々は、バックボーンネットワークを高いクラス内近接確率でトレーニング可能なデータセットに対して、ほとんど改善された数ショット学習性能(例えば、RESISC45データセット上の1ショット5ウェイ分類の83%の精度)を実証した。
論文 参考訳(メタデータ) (2021-12-07T19:16:30Z) - A Formally Robust Time Series Distance Metric [6.929025509877642]
本稿では、任意に「悪」な汚染に対して頑健な新しい距離測定法を提案する。
実験により,k-Nearest Neighbor 時系列分類に適用した場合,測定値が競合分類精度を示すことを示す。
論文 参考訳(メタデータ) (2020-08-18T11:28:50Z)
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。