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
- 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) - Semi-Supervised Manifold Learning with Complexity Decoupled Chart
Autoencoders [65.2511270059236]
本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。
データ多様体の内在次元に依存するネットワークの理論的近似力について論じる。
論文 参考訳(メタデータ) (2022-08-22T19:58:03Z) - 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) - Deep Recursive Embedding for High-Dimensional Data [9.611123249318126]
本稿では,DNN(Deep Neural Network)と高次元データ埋め込みのための数学誘導埋め込みルールを組み合わせることを提案する。
本稿では,高次元空間から低次元空間へのパラメトリックマッピングを学習可能な汎用ディープ埋め込みネットワーク(DEN)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-31T23:22:33Z) - 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。
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。