Fugu-MT 論文翻訳(概要): Posterior Regularization on Bayesian Hierarchical Mixture Clustering

論文の概要: Posterior Regularization on Bayesian Hierarchical Mixture Clustering

arxiv url: http://arxiv.org/abs/2105.06903v7
Date: Fri, 5 May 2023 15:46:54 GMT
ステータス: 処理完了
システム内更新日: 2023-05-08 18:19:18.647194
Title: Posterior Regularization on Bayesian Hierarchical Mixture Clustering
Title（参考訳）: ベイジアン階層的混合クラスタリングの後方規則化
Authors: Weipeng Huang, Tin Lok James Ng, Nishma Laitonjam, Neil J. Hurley
Abstract要約: 後続の規則化は、クラスタ分離を強化するために、各レベルのノードに最大限の制約を課す。 PRをBHMCに適用し,BHMCモデルの改善効果を示す。
参考スコア（独自算出の注目度）: 2.5266927671910904
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Bayesian hierarchical mixture clustering (BHMC) improves traditionalBayesian hierarchical clustering by replacing conventional Gaussian-to-Gaussian kernels with a Hierarchical Dirichlet Process Mixture Model(HDPMM) for parent-to-child diffusion in the generative process. However,BHMC may produce trees with high nodal variance, indicating weak separation between nodes at higher levels. To address this issue, we employ Posterior Regularization, which imposes max-margin constraints on nodes at every level to enhance cluster separation. We illustrate how to apply PR toBHMC and demonstrate its effectiveness in improving the BHMC model.
Abstract（参考訳）: ベイジアン階層混合クラスタリング(BHMC)は、ガウスからガウスまでの従来のガウスのカーネルを階層的ディリクレプロセス混合モデル(HDPMM)に置き換えて、生成過程における親子拡散を改良する。しかし、bhmcは高い節分散を持つ木を生産し、高いレベルでのノード間の弱い分離を示す。この問題に対処するために,各レベルのノードに最大制約を課し,クラスタ分離を向上するポストリア正規化(Posterior Regularization)を採用している。本稿では, PRをBHMCに適用し, そのBHMCモデルの改善効果を示す。

関連論文リスト

Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-24T08:59:51Z)
Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detection [12.065053799927506]
本稿では,一貫した異常検出を実現するための新しい階層型ガウス混合流れモデリング法を提案する。我々のHGADは,クラス間ガウス混合モデリングとクラス内混合クラスセンター学習の2つの重要な構成要素から構成されている。提案手法を4つの実世界のADベンチマークで評価し,従来のNFベースのAD手法を大幅に改善し,SOTA統合AD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） (2024-03-20T07:21:37Z)
Universal Lower Bounds and Optimal Rates: Achieving Minimax Clustering Error in Sub-Exponential Mixture Models [8.097200145973389]
まず、混合モデルのクラスタリングにおける誤差率の普遍的な下限を確立する。次に、この下界をサブ指数尾を持つ混合モデルで再現的アルゴリズムが達成できることを実証する。ポアソンまたは負二項混合によりモデル化されたデータセットについて,指数族に属する混合モデルについて検討した。このような混合では、ブロッグマンの発散を利用したロイドのアルゴリズムの変種であるブロッグマンのハードクラスタリングが最適であることを示す。
論文参考訳（メタデータ） (2024-02-23T16:51:17Z)
ClusterDDPM: An EM clustering framework with Denoising Diffusion Probabilistic Models [9.91610928326645]
拡散確率モデル(DDPM)は、新しい、そして有望な生成モデルのクラスを表す。本研究では,DDPMを用いたクラスタリングのための革新的予測最大化(EM)フレームワークを提案する。 Mステップでは、条件付きDDPMを用いてクラスタリングに親しみやすい潜在表現を学習し、潜在表現の分布をガウスの先行表現の混合と整合させることに重点を置いている。
論文参考訳（メタデータ） (2023-12-13T10:04:06Z)
Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
論文参考訳（メタデータ） (2023-05-22T03:27:46Z)
Discriminative Entropy Clustering and its Relation to K-means and SVM [9.394359851234201]
モデルの入力と出力の相互情報の最大化は、ソフトマックス予測の「決定性」と「公正性」に関係している。本稿では,一般的なソフトマックスモデルに対するエントロピークラスタリングの自己ラベル化に関する新しい定式化を提案する。我々のアルゴリズムは、ディープクラスタリングのためのいくつかの標準ベンチマークにおける技術状況を改善する。
論文参考訳（メタデータ） (2023-01-26T20:35:30Z)
Tight integration of neural- and clustering-based diarization through deep unfolding of infinite Gaussian mixture model [84.57667267657382]
本稿では,統合フレームワークにトレーニング可能なクラスタリングアルゴリズムを導入する。話者埋め込みはトレーニング中に最適化され、iGMMクラスタリングに適合する。実験の結果,提案手法はダイアリゼーション誤差率において従来の手法よりも優れていた。
論文参考訳（メタデータ） (2022-02-14T07:45:21Z)
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)
What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
論文参考訳（メタデータ） (2021-04-29T15:38:46Z)
Coherent Hierarchical Multi-Label Classification Networks [56.41950277906307]
C-HMCNN(h)はHMC問題に対する新しいアプローチであり、階層情報を利用して制約に整合した予測を生成し、性能を向上させる。最先端モデルと比較してC-HMCNN(h)の優れた性能を示す広範囲な実験的検討を行った。
論文参考訳（メタデータ） (2020-10-20T09:37:02Z)
Patch-level Neighborhood Interpolation: A General and Effective Graph-based Regularization Strategy [77.34280933613226]
我々は、ネットワークの計算において非局所的な表現を行うtextbfPatch-level Neighborhood Interpolation(Pani)と呼ばれる一般的な正規化器を提案する。提案手法は,異なる層にパッチレベルグラフを明示的に構築し,その近傍のパッチ特徴を線形に補間し,汎用的で効果的な正規化戦略として機能する。
論文参考訳（メタデータ） (2019-11-21T06:31:59Z)

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。