論文の概要: KnAC: an approach for enhancing cluster analysis with background knowledge and explanations

• arxiv url: http://arxiv.org/abs/2112.08759v1
• Date: Thu, 16 Dec 2021 10:13:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 14:20:12.698378
• Title: KnAC: an approach for enhancing cluster analysis with background knowledge and explanations
• Title（参考訳）: KnAC:背景知識と説明を用いたクラスタ分析の強化手法
• Authors: Szymon Bobek, Micha{\l} Kuk, Jakub Brzegowski, Edyta Brzychczy, Grzegorz J. Nalepa
• Abstract要約: 我々はKnAC(Knowledge Augmented Clustering)を紹介します。 KnACは任意のクラスタリングアルゴリズムの拡張として機能し、アプローチを堅牢でモデルに依存しないものにすることができる。
• 参考スコア（独自算出の注目度）: 0.20999222360659603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pattern discovery in multidimensional data sets has been a subject of research since decades. There exists a wide spectrum of clustering algorithms that can be used for that purpose. However, their practical applications share in common the post-clustering phase, which concerns expert-based interpretation and analysis of the obtained results. We argue that this can be a bottleneck of the process, especially in the cases where domain knowledge exists prior to clustering. Such a situation requires not only a proper analysis of automatically discovered clusters, but also a conformance checking with existing knowledge. In this work, we present Knowledge Augmented Clustering (KnAC), which main goal is to confront expert-based labelling with automated clustering for the sake of updating and refining the former. Our solution does not depend on any ready clustering algorithm, nor introduce one. Instead KnAC can serve as an augmentation of an arbitrary clustering algorithm, making the approach robust and model-agnostic. We demonstrate the feasibility of our method on artificially, reproducible examples and on a real life use case scenario.
• Abstract（参考訳）: 多次元データセットにおけるパターン発見は、数十年前から研究の対象となっている。 クラスタリングアルゴリズムには、その目的のために使用できる幅広いスペクトルが存在する。 しかし、それらの実践的応用は、専門家による結果の解釈と分析に関するポストクラスタリングフェーズと共通している。 我々は、特にクラスタリングの前にドメイン知識が存在する場合において、これはプロセスのボトルネックになり得ると論じます。 このような状況では、自動検出されたクラスタの適切な分析だけでなく、既存の知識との適合性チェックも必要となる。 この研究では、知識強化クラスタリング(KnAC)を紹介します。 私たちのソリューションは、準備の整ったクラスタリングアルゴリズムに依存していません。 代わりにKnACは任意のクラスタリングアルゴリズムの拡張として機能し、アプローチを堅牢でモデルに依存しないものにすることができる。 本手法は, 人工的, 再現可能な例, 実生活のユースケースシナリオにおいて実現可能性を示す。

関連論文リスト

• Dying Clusters Is All You Need -- Deep Clustering With an Unknown Number of Clusters [5.507296054825372]
  高次元データで有意義なグループを見つけることは、データマイニングにおいて重要な課題である。 深層クラスタリング手法はこれらの課題において顕著な成果を上げている。 これらのメソッドの多くは、事前にクラスタの数を指定する必要がある。 これは、ラベル付きデータが利用できない場合、クラスタの数は通常不明であるため、大きな制限となる。 これらのアプローチのほとんどは、クラスタリングプロセスから分離されたクラスタの数を見積もっています。
  論文  参考訳（メタデータ） (2024-10-12T11:04:10Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• A Machine Learning-Based Framework for Clustering Residential Electricity Load Profiles to Enhance Demand Response Programs [0.0]
  実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。 本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく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） (2023-10-31T11:23:26Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• Oracle-guided Contrastive Clustering [28.066047266687058]
  Oracle-Guided Contrastive Clustering(OCC)は,ユニークな要求を持ったオーラクルに対して,ペアワイズで同クラスタ"クエリを対話的に作成することで,クラスタリングを実現する。 私たちの知る限りでは、パーソナライズされたクラスタリングを実行する最初のディープフレームワークです。
  論文  参考訳（メタデータ） (2022-11-01T12:05:12Z)
• Deep Clustering: A Comprehensive Survey [53.387957674512585]
  クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。 ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。 ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
  論文  参考訳（メタデータ） (2022-10-09T02:31:32Z)
• Differentially-Private Clustering of Easy Instances [67.04951703461657]
  異なるプライベートクラスタリングでは、個々のデータポイントに関する情報を公開せずに、$k$のクラスタセンターを特定することが目標だ。 我々は、データが"簡単"である場合にユーティリティを提供する実装可能な差分プライベートクラスタリングアルゴリズムを提供する。 我々は、非プライベートクラスタリングアルゴリズムを簡単なインスタンスに適用し、結果をプライベートに組み合わせることのできるフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-29T08:13:56Z)
• A review of systematic selection of clustering algorithms and their evaluation [0.0]
  本稿では,クラスタリングアルゴリズムとそれに対応する検証概念の体系的選択ロジックを同定することを目的とする。 目標は、潜在的なユーザが自分のニーズと基盤となるデータクラスタリングの問題の性質に最も適したアルゴリズムを選択できるようにすることだ。
  論文  参考訳（メタデータ） (2021-06-24T07:01:46Z)
• DAC: Deep Autoencoder-based Clustering, a General Deep Learning Framework of Representation Learning [0.0]
  dac,deep autoencoder-based clustering,深層ニューロンネットワークを用いてクラスタリング表現を学ぶためのデータ駆動フレームワークを提案する。 実験結果から,KMeansクラスタリングアルゴリズムの性能をさまざまなデータセット上で効果的に向上させることができた。
  論文  参考訳（メタデータ） (2021-02-15T11:31:00Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。