論文の概要: Exemplars can Reciprocate Principal Components

• arxiv url: http://arxiv.org/abs/2103.12069v1
• Date: Mon, 22 Mar 2021 12:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 14:09:36.047670
• Title: Exemplars can Reciprocate Principal Components
• Title（参考訳）: Exemplars can Reciprocate principal Components
• Authors: Kieran Greer
• Abstract要約: Category Treesは、カテゴリタイプに分岐して機能しないツリー構造を生成するクラスタリングメソッドである。 この理論はポルトガル森林火災データセットをケーススタディとして用いたものである。
• 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: This paper presents a clustering algorithm that is an extension of the Category Trees algorithm. Category Trees is a clustering method that creates tree structures that branch on category type and not feature. The development in this paper is to consider a secondary order of clustering that is not the category to which the data row belongs, but the tree, representing a single classifier, that it is eventually clustered with. Each tree branches to store subsets of other categories, but the rows in those subsets may also be related. This paper is therefore concerned with looking at that second level of clustering between the other category subsets, to try to determine if there is any consistency over it. It is argued that Principal Components may be a related and reciprocal type of structure, and there is an even bigger question about the relation between exemplars and principal components, in general. The theory is demonstrated using the Portugal Forest Fires dataset as a case study. The distributed nature of that dataset can artificially create the tree categories and the output criterion can also be determined in an automatic and arbitrary way, leading to a flexible and dynamic clustering mechanism.
• Abstract（参考訳）: 本稿では,カテゴリツリーアルゴリズムの拡張であるクラスタリングアルゴリズムを提案する。 Category Treesは、カテゴリタイプに分岐して機能しないツリー構造を生成するクラスタリングメソッドである。 本稿では、データ行が属するカテゴリではなく、単一の分類器を表す木が最終的にクラスタ化される二次的なクラスタリングについて考察する。 各ツリーは他のカテゴリのサブセットを保存するために分岐しますが、それらのサブセットの行も関連します。 そこで本稿では,他のカテゴリのサブセット間の第2レベルのクラスタリングに注目し,その上に一貫性があるかどうかを判断する。 主成分は関連的かつ相互的な構造の型でありうると論じられ、一般論として、他成分と主成分の関係についてさらに大きな疑問がある。 この理論はポルトガル森林火災データセットをケーススタディとして用いたものである。 そのデータセットの分散的な性質は、人工的にツリーカテゴリを作成でき、出力基準は、自動的かつ任意の方法で決定でき、柔軟性とダイナミックなクラスタリングメカニズムに繋がる。

関連論文リスト

• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Controlling the False Split Rate in Tree-Based Aggregation [11.226095593522691]
  木に基づくアグリゲーションのための仮説テストアルゴリズムを提案する。 木に基づく集約の2つの主要な例に焦点をあてる。1つは集約手段と、もう1つは回帰係数の集約を含む。
  論文  参考訳（メタデータ） (2021-08-11T17:59:22Z)
• Exact and Approximate Hierarchical Clustering Using A* [51.187990314731344]
  クラスタリングのA*探索に基づく新しいアプローチを紹介します。 A*と新しいエンフォレリスデータ構造を組み合わせることで、禁止的に大きな検索空間を克服します。 実験により,本手法は粒子物理利用事例や他のクラスタリングベンチマークにおいて,ベースラインよりもかなり高品質な結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-04-14T18:15:27Z)
• eTREE: Learning Tree-structured Embeddings [33.61635854505735]
  マトリックスファクタリゼーション(MF)は、幅広い機械学習およびデータマイニングモデルにおいて重要な役割を果たしています。 mfはアイテムの埋め込みや特徴表現を得るためによく使われる。 組込みの品質を高めるために木構造を取り入れたモデル「eTREE」を提案します。
  論文  参考訳（メタデータ） (2020-12-20T06:06:08Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
  我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-08-13T03:52:37Z)
• Deep Hierarchical Classification for Category Prediction in E-commerce System [16.6932395109085]
  電子商取引システムでは、カテゴリ予測は与えられたテキストのカテゴリを自動的に予測する。 ニューラルネットワークにマルチスケール階層情報を組み込んだDeep Hierarchical Classificationフレームワークを提案する。 また、階層的予測損失を罰する新たな複合損失関数も定義する。
  論文  参考訳（メタデータ） (2020-05-14T02:29:14Z)
• Tree Index: A New Cluster Evaluation Technique [2.790947019327459]
  ここでは、Tree Indexと呼ばれるクラスタ評価手法を紹介する。 私たちのツリーインデックスは、最小記述長の複雑さを伴わずに容易に学習できるクラスタ間のマージンを見つけています。 脳のデータセット上のクラスタリング結果(様々な技術によって達成される)において、Tree Indexは合理的なクラスタと非感受性なクラスタを区別する。
  論文  参考訳（メタデータ） (2020-03-24T13:41:12Z)
• Scalable Hierarchical Clustering with Tree Grafting [66.68869706310208]
  Grinchは、大規模で非階層的な階層的クラスタリングと一般的なリンク関数のための新しいアルゴリズムである。 Grinchは、リンケージ関数を持つクラスタリングのための分離性という新しい概念によって動機付けられている。
  論文  参考訳（メタデータ） (2019-12-31T20:56:15Z)

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。