論文の概要: Generation and frame characteristics of predefined evenly-distributed
class centroids for pattern classification
- arxiv url: http://arxiv.org/abs/2105.00401v1
- Date: Sun, 2 May 2021 06:35:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 14:03:21.973954
- Title: Generation and frame characteristics of predefined evenly-distributed
class centroids for pattern classification
- Title（参考訳）: パターン分類のための均等分布型センタロイドの生成とフレーム特性
- Authors: Haiping Hu, Yingying Yan, Qiuyu Zhu, Guohui Zheng
- Abstract要約: 本稿では高次元空間における正則多面体とn次元超球面上の点の均等分布を利用してPEDCCを数学的に生成する。
実験により、新しいアルゴリズムは反復法よりも高速であるだけでなく、位置の精度も高いことが示された。
- 参考スコア（独自算出の注目度）: 4.129225533930966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predefined evenly-distributed class centroids (PEDCC) can be widely used in
models and algorithms of pattern classification, such as CNN classifiers,
classification autoencoders, clustering, and semi-supervised learning, etc. Its
basic idea is to predefine the class centers, which are evenly-distributed on
the unit hypersphere in feature space, to maximize the inter-class distance.
The previous method of generating PEDCC uses an iterative algorithm based on a
charge model, that is, the initial values of various centers (charge positions)
are randomly set from the normal distribution, and the charge positions are
updated iteratively with the help of the repulsive force between charges of the
same polarity. The class centers generated by the algorithm will produce some
errors with the theoretically evenly-distributed points, and the generation
time will be longer. This paper takes advantage of regular polyhedron in
high-dimensional space and the evenly distribution of points on the n
dimensional hypersphere to generate PEDCC mathematically. Then, we discussed
the basic and extensive characteristics of the frames formed by PEDCC. Finally,
experiments show that new algorithm is not only faster than the iterative
method, but also more accurate in position. The mathematical analysis and
experimental results of this paper can provide a theoretical tool for using
PEDCC to solve the key problems in the field of pattern recognition, such as
interpretable supervised/unsupervised learning, incremental learning,
uncertainty analysis and so on.
- Abstract（参考訳）: 事前定義された等分散クラスセントロイド(PEDCC)は、CNN分類器、分類オートエンコーダ、クラスタリング、半教師付き学習などのパターン分類のモデルやアルゴリズムで広く利用することができる。
その基本的な考え方は、単位超球面上に均等に分布するクラス中心を、クラス間距離を最大化するために事前に定義することである。
PEDCCを生成する以前の方法は、電荷モデルに基づく反復アルゴリズム、すなわち、各中心の初期値(電荷位置)を正規分布からランダムに設定し、同じ極性の電荷間の反発力の助けを借りて電荷位置を反復的に更新する。
アルゴリズムによって生成されたクラスセンターは、理論的に均等に分散された点でいくつかのエラーを発生し、生成時間が長くなる。
本稿では高次元空間における正則多面体とn次元超球面上の点の均等分布を利用してPEDCCを数学的に生成する。
次に,pedccで形成したフレームの基本および広範な特性について考察した。
最後に、実験により、新しいアルゴリズムは反復法よりも高速であるだけでなく、位置の正確さも示している。
本論文の数学的解析と実験結果は,解釈可能な教師なし・教師なし学習,インクリメンタル学習,不確実性解析など,パターン認識の分野における鍵となる問題を解くために,pedccを用いた理論的手法を提供する。
関連論文リスト
- Stability and Generalization of the Decentralized Stochastic Gradient
Descent Ascent Algorithm [80.94861441583275]
本稿では,分散勾配勾配(D-SGDA)アルゴリズムの一般化境界の複雑さについて検討する。
本研究は,D-SGDAの一般化における各因子の影響を解析した。
また、最適凸凹設定を得るために一般化とバランスをとる。
論文 参考訳（メタデータ） (2023-10-31T11:27:01Z) - Accelerated sparse Kernel Spectral Clustering for large scale data
clustering problems [0.27257174044950283]
本稿では、スパースマルチウェイカーネルスペクトルクラスタリング(KSC)の改良版について述べる。
元のアルゴリズムは、プライマリ・デュアルの最小二乗サポートベクターマシン(LS-SVM)フレームワークで定式化された重み付きカーネル主成分分析から導かれる。
次に、不完全コレスキー分解(ICD)に基づくカーネル行列の低階近似といわゆるreduced set法を組み合わせることにより、スパーシリティが達成される。
論文 参考訳（メタデータ） (2023-10-20T09:51:42Z) - Proportionally Representative Clustering [17.5359577544947]
本稿では,クラスタリング問題を対象とした新しい公理比例代表フェアネス(PRF)を提案する。
我々のフェアネスの概念は、既存のフェアクラスタリングアルゴリズムで満たされていない。
制約のない設定に対する我々のアルゴリズムは、よく研究されたプロポーショナルフェアネス(PF)の公理に対する最初の既知時間近似アルゴリズムでもある。
論文 参考訳（メタデータ） (2023-04-27T02:01:24Z) - Unsupervised Machine Learning to Classify the Confinement of Waves in
Periodic Superstructures [0.0]
我々は教師なし機械学習を用いて、最近提示した波動閉じ込め解析のスケーリング手法の精度を向上させる。
我々は、標準のk-means++アルゴリズムと、独自のモデルベースアルゴリズムを採用する。
クラスタリング手法はより物理的に意味のある結果をもたらすが、正しい閉じ込め次元の集合を特定するのに苦労する可能性がある。
論文 参考訳（メタデータ） (2023-04-24T08:22:01Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-12-07T11:26:41Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳（メタデータ） (2021-10-11T09:00:33Z) - Learning primal-dual sparse kernel machines [10.230121160034674]
伝統的に、カーネル法は、学習問題の解は再生されたカーネルヒルベルト空間(RKHS)にマッピングされたデータの線形結合として得られるという代表者定理に依存している。
本稿では,RKHS の要素が必ずしもトレーニングセットの要素に対応するとは限らない元データ空間において,前像分解を持つ解を求めることを提案する。
勾配に基づく手法は入力空間のスパース要素の最適化に重きを置き、原始空間と双対空間の両方でカーネルベースのモデルを得ることができる。
論文 参考訳（メタデータ） (2021-08-27T09:38:53Z) - Hyperdimensional Computing for Efficient Distributed Classification with
Randomized Neural Networks [5.942847925681103]
本研究では,データを中央に保存することも共有することもできない状況下で利用できる分散分類について検討する。
ローカルな分類器を他のエージェントと共有する場合に、ロッキーな圧縮アプローチを適用することにより、分散分類のためのより効率的な解を提案する。
論文 参考訳（メタデータ） (2021-06-02T01:33:56Z) - Determinantal consensus clustering [77.34726150561087]
本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。
DPPは部分集合内の中心点の多様性を好んでいる。
DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
論文 参考訳（メタデータ） (2021-02-07T23:48:24Z) - Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。
また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文 参考訳（メタデータ） (2020-02-20T15:43:02Z)
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。