論文の概要: Breaking the curse of dimensionality with Isolation Kernel

• arxiv url: http://arxiv.org/abs/2109.14198v1
• Date: Wed, 29 Sep 2021 05:25:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-30 14:45:59.760921
• Title: Breaking the curse of dimensionality with Isolation Kernel
• Title（参考訳）: 孤立カーネルによる次元の呪いを破る
• Authors: Kai Ming Ting, Takashi Washio, Ye Zhu, Yang Xu
• Abstract要約: 我々は、最近導入されたIsolation Kernelを使って、呪いを破ることができることを初めて示します。 我々は、インデクシング検索、スペクトル・密度ピーククラスタリング、SVM分類、t-SNE可視化において、分離カーネルのみが一貫して良好であることを示す。
• 参考スコア（独自算出の注目度）: 16.184791445684215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The curse of dimensionality has been studied in different aspects. However, breaking the curse has been elusive. We show for the first time that it is possible to break the curse using the recently introduced Isolation Kernel. We show that only Isolation Kernel performs consistently well in indexed search, spectral & density peaks clustering, SVM classification and t-SNE visualization in both low and high dimensions, compared with distance, Gaussian and linear kernels. This is also supported by our theoretical analyses that Isolation Kernel is the only kernel that has the provable ability to break the curse, compared with existing metric-based Lipschitz continuous kernels.
• Abstract（参考訳）: 次元の呪いは異なる側面で研究されてきた。 しかし、呪いを破るというのはあり得ない。 私たちは最近導入されたIsolation Kernelを使って、呪いを破ることができることを初めて示します。 低次元および高次元でのインデックス付き探索、スペクトルと密度ピークのクラスタリング、svm分類、t-sne可視化において、距離、ガウス、線形カーネルと比較して、分離カーネルのみが一貫して機能することを示す。 このことは、既存の計量ベースのLipschitz連続カーネルと比較して、分離カーネルが呪いを破る証明可能な能力を持つ唯一のカーネルである、という理論解析によって裏付けられている。

関連論文リスト

• Contrastive Learning Is Spectral Clustering On Similarity Graph [12.47963220169677]
  標準InfoNCE損失と対照的な学習は、類似性グラフ上のスペクトルクラスタリングと等価であることを示す。 理論的な洞察に感銘を受け,カーネル・インフォネッションNCEの損失を導入した。
  論文  参考訳（メタデータ） (2023-03-27T11:13:35Z)
• Provably Efficient Kernelized Q-Learning [26.37242007290973]
  本稿では,Q-ラーニングのカーネル化バージョンを提案し,分析する。 任意のカーネルに対する後悔の限界を導出する。 アルゴリズムを古典的な制御タスクのスイートでテストする。
  論文  参考訳（メタデータ） (2022-04-21T18:08:22Z)
• Meta-Learning Hypothesis Spaces for Sequential Decision-making [79.73213540203389]
  オフラインデータ(Meta-KeL)からカーネルをメタ学習することを提案する。 穏やかな条件下では、推定されたRKHSが有効な信頼セットを得られることを保証します。 また,ベイズ最適化におけるアプローチの有効性を実証的に評価した。
  論文  参考訳（メタデータ） (2022-02-01T17:46:51Z)
• Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
  重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
  論文  参考訳（メタデータ） (2021-09-30T17:29:44Z)
• Kernel Mean Estimation by Marginalized Corrupted Distributions [96.9272743070371]
  カーネル平均をヒルベルト空間で推定することは、多くのカーネル学習アルゴリズムにおいて重要な要素である。 本稿では,カーネル平均推定器としてカーネル平均推定器を提案する。
  論文  参考訳（メタデータ） (2021-07-10T15:11:28Z)
• Kernel k-Means, By All Means: Algorithms and Strong Consistency [21.013169939337583]
  Kernel $k$クラスタリングは、非線形データの教師なし学習のための強力なツールである。 本稿では,最適化された局所解に対処するための一般的な手法を応用した結果を一般化する。 我々のアルゴリズムは、この非線形分離問題をよりよく解くために、Magricalization-minimization (MM) を利用している。
  論文  参考訳（メタデータ） (2020-11-12T16:07:18Z)
• Isolation Distributional Kernel: A New Tool for Point & Group Anomaly Detection [76.1522587605852]
  分離分散カーネル(IDK)は2つの分布の類似性を測定する新しい方法である。 我々は、カーネルベースの異常検出のための新しいツールとして、IDKの有効性と効率を示す。
  論文  参考訳（メタデータ） (2020-09-24T12:25:43Z)
• Kernel-Based Reinforcement Learning: A Finite-Time Analysis [53.47210316424326]
  モデルに基づく楽観的アルゴリズムであるKernel-UCBVIを導入する。 スパース報酬を伴う連続MDPにおける我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2020-04-12T12:23:46Z)
• Kernel interpolation with continuous volume sampling [11.172382217477129]
  2006年に導入された離散分布の連続体積サンプリング(VS)を導入,解析する。 VS の下では,翻訳や定式化にほぼ最適な境界を証明している。 我々は、正規化レバレッジスコアや決定点プロセスに依存する従来のランダム化アプローチとは異なり、VSのpdfを評価するにはカーネルのポイントワイズ評価が必要であることを強調した。
  論文  参考訳（メタデータ） (2020-02-22T10:34:59Z)
• Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images [69.74667930907314]
  核分割のための曲げ損失正規化ネットワークを提案する。 提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。 曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
  論文  参考訳（メタデータ） (2020-02-03T21:20:50Z)

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。