論文の概要: General Rough Modeling of Cluster Analysis

• arxiv url: http://arxiv.org/abs/2106.04683v1
• Date: Wed, 2 Jun 2021 20:54:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-13 14:01:24.149551
• Title: General Rough Modeling of Cluster Analysis
• Title（参考訳）: クラスター解析の一般粗さモデリング
• Authors: A. Mani
• Abstract要約: このアプローチの本質は簡潔に説明され、例によって支持されます。 クラスタリングを解析するための新しい一般的な粗い手法が発明され、より明確な概念と汚染のない証明がもたらされる。
• 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: In this research, a general theoretical framework for clustering is proposed over specific partial algebraic systems by the present author. Her theory helps in isolating minimal assumptions necessary for different concepts of clustering information in any form to be realized in a situation (and therefore in a semantics). \emph{It is well-known that of the limited number of proofs in the theory of hard and soft clustering that are known to exist, most involve statistical assumptions}. Many methods seem to work because they seem to work in specific empirical practice. A new general rough method of analyzing clusterings is invented, and this opens the subject to clearer conceptions and contamination-free theoretical proofs. Numeric ideas of validation are also proposed to be replaced by those based on general rough approximation. The essence of the approach is explained in brief and supported by an example.
• Abstract（参考訳）: 本研究では,特定の部分代数系に対してクラスタリングの一般的な理論的枠組みを提案する。 彼女の理論は、状況(したがって意味論)で実現されるあらゆる形態の情報の異なる概念に必要な最小限の仮定を分離するのに役立つ。 \emph{it's well-known that the limited number of proofs in the theory of hard and soft clustering that were exists, most involved statistical assumptions} として知られる。 特定の経験的な実践で機能するように見えるため、多くの方法が機能するようです。 クラスタリングを解析するための新しい一般的な粗い手法が発明され、より明確な概念と汚染のない理論的証明がもたらされる。 検証の数値的アイデアは、一般的な粗近似に基づくものに置き換えられることも提案されている。 アプローチの本質は簡潔に説明され、例によってサポートされている。

関連論文リスト

• A Canonicalization Perspective on Invariant and Equivariant Learning [54.44572887716977]
  フレームの設計について,本質的で完全な視点を提供する正準化の視点を導入する。 フレームと標準形式の間には固有の関係があることが示される。 既存の手法よりも厳密な固有ベクトルのための新しいフレームを設計する。
  論文  参考訳（メタデータ） (2024-05-28T17:22:15Z)
• Class-wise Generalization Error: an Information-Theoretic Analysis [22.877440350595222]
  本稿では,各クラスの一般化性能を定量化するクラス一般化誤差について検討する。 我々は、異なるニューラルネットワークにおける提案した境界を実験的に検証し、それらが複雑なクラス一般化エラーの振る舞いを正確に捉えていることを示す。
  論文  参考訳（メタデータ） (2024-01-05T17:05:14Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)
• Explainable Clustering via Exemplars: Complexity and Efficient Approximation Algorithms [30.369731369945296]
  本稿では,各クラスタを説明するためのクラスタや例を見出すための,説明可能なクラスタリング手法を提案する。 理解のための模範的概念の使用は、心理学における模範的概念定義の流派によって支持されている。 一つのクラスタでも説明できるような,小さな例の集合を見つけることは,計算的に難解であることを示す。
  論文  参考訳（メタデータ） (2022-09-20T12:09:51Z)
• Granular Directed Rough Sets, Concept Organization and Soft Clustering [0.0]
  上向きの粗集合は、著者によって以前の論文で紹介され、研究されている。 これは、驚くべき代数的意味論を持つ2つの異なる粒度の方向で、彼女によって拡張される。 この研究は、関連する領域において重要な理論的および実践的な応用が期待されている。
  論文  参考訳（メタデータ） (2022-08-13T11:01:05Z)
• The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
  本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。 ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。 ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
  論文  参考訳（メタデータ） (2022-06-14T12:30:11Z)
• Granular Generalized Variable Precision Rough Sets and Rational Approximations [0.24366811507669117]
  VPRSの手順による粒界近似は、ある条件下で古典的な視点から構築されたものよりも合理的である可能性が高い。 クラスタ検証、イメージセグメンテーション、動的ソートのためのメタ応用が発明されている。
  論文  参考訳（メタデータ） (2022-05-28T08:08:26Z)
• Set-valued classification -- overview via a unified framework [15.109906768606644]
  マルチクラスのデータセットは極めて曖昧で、単一出力の予測では十分なパフォーマンスが得られない。 予測者がラベル候補のセットを予測できるようにすることで、セット値分類は、この曖昧さに対処する自然な方法を提供する。 無限サンプルの最適集合値分類戦略を提供し,データ駆動アルゴリズムを構築するための一般的なプラグイン原理を考察する。
  論文  参考訳（メタデータ） (2021-02-24T14:54:07Z)
• In Search of Robust Measures of Generalization [79.75709926309703]
  我々は、一般化誤差、最適化誤差、過大なリスクのバウンダリを開発する。 経験的に評価すると、これらの境界の大部分は数値的に空白である。 我々は、分散ロバストネスの枠組みの中で、一般化対策を評価するべきであると論じる。
  論文  参考訳（メタデータ） (2020-10-22T17:54:25Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Marginal likelihood computation for model selection and hypothesis testing: an extensive review [66.37504201165159]
  この記事では、このトピックの最先端に関する総合的な研究について紹介する。 さまざまなテクニックの制限、メリット、コネクション、差異を強調します。 また、不適切な事前利用の問題や解決法についても述べる。
  論文  参考訳（メタデータ） (2020-05-17T18:31:58Z)

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。