論文の概要: Combining Minkowski and Chebyshev: New distance proposal and survey of
distance metrics using k-nearest neighbours classifier
- arxiv url: http://arxiv.org/abs/2112.12549v1
- Date: Tue, 21 Dec 2021 16:47:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 16:34:24.267004
- Title: Combining Minkowski and Chebyshev: New distance proposal and survey of
distance metrics using k-nearest neighbours classifier
- Title(参考訳): minkowski と chebyshev を組み合わせる: k-nearest neighbors classifier を用いた距離測定の新しい提案と調査
- Authors: \'Erick Oliveira Rodrigues
- Abstract要約: この研究はミンコフスキーとチェビシェフの距離を組み合わせた距離を提案し、中間距離と見なすことができる。
提案された距離はマンハッタン距離の約1.3倍、ユークリッド距離の約329.5倍である。
- 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: This work proposes a distance that combines Minkowski and Chebyshev distances
and can be seen as an intermediary distance. This combination not only achieves
efficient run times in neighbourhood iteration tasks in Z^2, but also obtains
good accuracies when coupled with the k-Nearest Neighbours (k-NN) classifier.
The proposed distance is approximately 1.3 times faster than Manhattan distance
and 329.5 times faster than Euclidean distance in discrete neighbourhood
iterations. An accuracy analysis of the k-NN classifier using a total of 33
datasets from the UCI repository, 15 distances and values assigned to k that
vary from 1 to 200 is presented. In this experiment, the proposed distance
obtained accuracies that were better than the average more often than its
counterparts (in 26 cases out of 33), and also obtained the best accuracy more
frequently (in 9 out of 33 cases).
- Abstract(参考訳): この研究はミンコフスキー距離とチェビシェフ距離を組み合わせた距離を提案し、中間距離と見なすことができる。
この組み合わせは、Z^2 の近傍反復タスクにおいて効率的な実行時間を達成するだけでなく、k-Nearest Neighbours (k-NN) 分類器と組み合わせることで、良好な精度が得られる。
提案された距離はマンハッタン距離の約1.3倍、ユークリッド距離の約329.5倍である。
UCIレポジトリから合計33個のデータセットを用いてk-NN分類器の精度解析を行い、kに割り当てられた距離と値が1から200まで変化することを示す。
この実験では, 提案した距離は平均値よりも高い精度(33例中26例, 33例中9例)を得るとともに, より高い精度(33例中9例)を得ることができた。
関連論文リスト
- Efficient Data-aware Distance Comparison Operations for High-Dimensional Approximate Nearest Neighbor Search [14.77572360618428]
高次元近似$K$近接探索(AKNN)は情報検索を含む様々なアプリケーションの基本課題である。
AKNNの既存のアルゴリズムのほとんどは、候補生成と距離比較演算(DCO)という2つの主要コンポーネントに分解することができる。
低次元空間における正確な距離を近似するDADEと呼ばれるデータ認識距離推定手法を提案する。
論文 参考訳(メタデータ) (2024-11-26T08:51:46Z) - Relative-Translation Invariant Wasserstein Distance [82.6068808353647]
距離の新しい族、相対翻訳不変ワッサーシュタイン距離(RW_p$)を導入する。
我々は、$RW_p 距離もまた、分布変換に不変な商集合 $mathcalP_p(mathbbRn)/sim$ 上で定義される実距離測度であることを示す。
論文 参考訳(メタデータ) (2024-09-04T03:41:44Z) - Classifying token frequencies using angular Minkowski $p$-distance [1.5229257192293204]
Angular Minkowski $p$-distance はユークリッド距離を他の Minkowski $p$-distance の定義に置き換えることで得られる異方性測度である。
コサインの異性度はトークン周波数を含むデータセットで頻繁に使用され、角ばったMinkowski $p$-distanceは特定のタスクに対してさらに良い選択になる可能性がある。
論文 参考訳(メタデータ) (2023-09-25T19:45:11Z) - Efficient k-NN Search with Cross-Encoders using Adaptive Multi-Round CUR
Decomposition [77.4863142882136]
クロスエンコーダモデルは、直接k-nearest neighbor(k-NN)サーチには不当に高価である。
本稿では,現実的に重要なトップk近傍の近似誤差を適応的に,反復的に,効率的に最小化するADACURを提案する。
論文 参考訳(メタデータ) (2023-05-04T17:01:17Z) - Robust Ellipsoid Fitting Using Axial Distance and Combination [15.39157287924673]
ランダムサンプルコンセンサス(RANSAC)では、楕円体フィッティングの問題は点からモデルまでの距離を最小化する問題として定式化することができる。
代数的距離から変換される軸距離と呼ばれる新しい距離計量を提案する。
軸方向距離とサンプソン距離の組合せを用いて, 試料集束型楕円体フィッティング法を提案する。
論文 参考訳(メタデータ) (2023-04-02T11:52:33Z) - Geodesic Sinkhorn for Fast and Accurate Optimal Transport on Manifolds [53.110934987571355]
多様体グラフ上の熱核に基づく測地学的シンクホーンを提案する。
化学療法中の患者試料からの高次元単細胞データの複数分布のバリセンタの計算に本法を適用した。
論文 参考訳(メタデータ) (2022-11-02T00:51:35Z) - Robust Multi-Object Tracking by Marginal Inference [92.48078680697311]
ビデオにおける多目的追跡は、隣接するフレーム内のオブジェクト間の1対1の割り当てに関する根本的な問題を解決する必要がある。
本稿では,各オブジェクトの限界確率をリアルタイムに計算する効率的な手法を提案する。
MOT17とMOT20ベンチマークで競合する結果を得る。
論文 参考訳(メタデータ) (2022-08-07T14:04:45Z) - Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。
実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。
本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-07-13T02:44:05Z) - Kernel distance measures for time series, random fields and other
structured data [71.61147615789537]
kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。
これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。
kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
論文 参考訳(メタデータ) (2021-09-29T22:54:17Z) - Nearest Neighbor Search Under Uncertainty [19.225091554227948]
Nearest Neighbor Search (NNS) は知識表現、学習、推論の中心的なタスクである。
NNSを不確実性(NNSU)下で研究する。
論文 参考訳(メタデータ) (2021-03-08T20:20:01Z)
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。