Fugu-MT 論文翻訳(概要): Non-Euclidean Self-Organizing Maps

論文の概要: Non-Euclidean Self-Organizing Maps

arxiv url: http://arxiv.org/abs/2109.11769v1
Date: Fri, 24 Sep 2021 06:57:15 GMT
ステータス: 処理完了
システム内更新日: 2021-09-27 14:00:39.865347
Title: Non-Euclidean Self-Organizing Maps
Title（参考訳）: 非ユークリッド自己組織化マップ
Authors: Dorota Celi\'nska-Kopczy\'nska Eryk Kopczy\'nski
Abstract要約: 非ユークリッド SOM に対する一般化されたセットアップを提案する。我々は、トポロジ関連拡張を導入することで、従来のSOMアルゴリズムを改善した。私たちの提案は、次元の縮小、クラスタリング、あるいはビッグデータにおける類似点の発見にうまく適用できます。
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: Self-Organizing Maps (SOMs, Kohonen networks) belong to neural network models of the unsupervised class. In this paper, we present the generalized setup for non-Euclidean SOMs. Most data analysts take it for granted to use some subregions of a flat space as their data model; however, by the assumption that the underlying geometry is non-Euclidean we obtain a new degree of freedom for the techniques that translate the similarities into spatial neighborhood relationships. We improve the traditional SOM algorithm by introducing topology-related extensions. Our proposition can be successfully applied to dimension reduction, clustering or finding similarities in big data (both hierarchical and non-hierarchical).
Abstract（参考訳）: 自己組織化マップ(soms、kohonen networks)は、教師なしクラスのニューラルネットワークモデルに属する。本稿では,非ユークリッドSOMの一般化構成について述べる。ほとんどのデータアナリストは、平坦な空間のいくつかの部分領域をデータモデルとして使用するのは当然だと考えるが、基礎となる幾何学が非ユークリッドであると仮定することで、類似性を空間的近傍関係に変換する新しい自由度が得られる。トポロジ関連拡張を導入することで従来のSOMアルゴリズムを改善する。この提案は,ビッグデータ(階層的および非階層的の両方)における次元縮小,クラスタリング,類似性の発見に有効である。

関連論文リスト

Decoder ensembling for learned latent geometries [15.484595752241122]
我々は、関連する予想多様体上の測地線を容易に計算する方法を示す。このシンプルで信頼性が高く、簡単に使える潜在測地に一歩近づきます。
論文参考訳（メタデータ） (2024-08-14T12:35:41Z)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文参考訳（メタデータ） (2024-01-12T22:51:48Z)
Supervised Manifold Learning via Random Forest Geometry-Preserving Proximities [0.0]
クラス条件付き多様体学習手法の弱点を定量的かつ視覚的に示す。本稿では,ランダムな森の近さをデータジオメトリ保存した変種を用いて,教師付き次元減少のためのカーネルの代替選択を提案する。
論文参考訳（メタデータ） (2023-07-03T14:55:11Z)
Exploring Data Geometry for Continual Learning [64.4358878435983]
非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-04-08T06:35:25Z)
Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
論文参考訳（メタデータ） (2022-11-07T14:52:58Z)
Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
論文参考訳（メタデータ） (2022-10-01T21:17:39Z)
Fiberwise dimensionality reduction of topologically complex data with vector bundles [0.0]
本稿では,ベクトルバンドルを用いてトポロジ的に複雑なデータセットをモデル化する。基底空間は大規模位相であり、ファイバーは局所幾何学である。これにより、大規模なトポロジーを保ちながら繊維の寸法を小さくすることができる。
論文参考訳（メタデータ） (2022-06-13T22:53:46Z)
A singular Riemannian geometry approach to Deep Neural Networks I. Theoretical foundations [77.86290991564829]
ディープニューラルネットワークは、音声認識、機械翻訳、画像解析など、いくつかの科学領域で複雑な問題を解決するために広く使われている。我々は、リーマン計量を備えた列の最後の多様体で、多様体間の写像の特定の列を研究する。このようなシーケンスのマップの理論的性質について検討し、最終的に実践的な関心を持つニューラルネットワークの実装間のマップのケースに焦点を当てる。
論文参考訳（メタデータ） (2021-12-17T11:43:30Z)
Atlas Generative Models and Geodesic Interpolation [0.20305676256390928]
我々は,Atlas Generative Models (AGMs) の一般クラスを定義する。グラフに基づく測地線のアルゴリズムをAGMの設定に一般化してこれを実証し、その性能を実験的に検証する。
論文参考訳（メタデータ） (2021-01-30T16:35:25Z)
Unsupervised Embedding of Hierarchical Structure in Euclidean Space [30.507049058838025]
我々は、集約アルゴリズムによって生成される階層的クラスタリングを改善する方法として、ユークリッド空間にデータの非線形埋め込みを学習することを検討する。遅延空間埋め込みの再スケーリングはデンドログラムの純度とモーゼリー・ワングのコスト関数の改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-10-30T03:57:09Z)

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。