論文の概要: An Efficient and Adaptive Granular-ball Generation Method in
Classification Problem
- arxiv url: http://arxiv.org/abs/2201.04343v1
- Date: Wed, 12 Jan 2022 07:26:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-13 14:52:58.925663
- Title: An Efficient and Adaptive Granular-ball Generation Method in
Classification Problem
- Title（参考訳）: 分類問題における効率的かつ適応的なグラニュラーボール生成法
- Authors: Shuyin Xia, Xiaochuan Dai, Guoyin Wang, Xinbo Gao, Elisabeth Giem
- Abstract要約: グラニュラーボールコンピューティングは、グラニュラーコンピューティングのための効率的で堅牢でスケーラブルな学習方法である。
本稿では,$k$-meansを置き換えるために,ディビジョンを用いたグラニュラーボール生成を高速化する手法を提案する。
従来の方法と同様の精度を確保しつつ、グラニュラーボール生成の効率を大幅に向上させることができる。
- 参考スコア（独自算出の注目度）: 69.02474089703678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Granular-ball computing is an efficient, robust, and scalable learning method
for granular computing. The basis of granular-ball computing is the
granular-ball generation method. This paper proposes a method for accelerating
the granular-ball generation using the division to replace $k$-means. It can
greatly improve the efficiency of granular-ball generation while ensuring the
accuracy similar to the existing method. Besides, a new adaptive method for the
granular-ball generation is proposed by considering granular-ball's overlap
eliminating and some other factors. This makes the granular-ball generation
process of parameter-free and completely adaptive in the true sense. In
addition, this paper first provides the mathematical models for the
granular-ball covering. The experimental results on some real data sets
demonstrate that the proposed two granular-ball generation methods have similar
accuracies with the existing method while adaptiveness or acceleration is
realized.
- Abstract（参考訳）: グラニュラーボールコンピューティングは、グラニュラーコンピューティングのための効率的で堅牢でスケーラブルな学習方法である。
粒球計算の基礎は粒球生成法である。
本稿では,$k$-means の代わりにディビジョンを用いた粒状球生成を高速化する方法を提案する。
既存の方法と同様の精度を確保しつつ、粒状球生成の効率を大幅に向上させることができる。
また,粒状球の重なり除去と他の要因を考慮し,粒状球生成の新しい適応法を提案する。
これにより、パラメータフリーで真の意味で完全に適応したグラニュラーボール生成プロセスが実現される。
さらに,本論文ではまず,グラニュラーボール被覆の数学的モデルについて述べる。
実データを用いた実験により,提案する2つの粒状球生成法が,適応性や加速度性を実現しつつ,既存の手法と類似性を持つことを実証した。
関連論文リスト
- GBFRS: Robust Fuzzy Rough Sets via Granular-ball Computing [48.33779268699777]
ファジィ粗セット理論は複雑な属性を持つデータセットを処理するのに有効である。
既存のモデルのほとんどは最も細かい粒度で動作しており、非効率でノイズに敏感である。
本稿では,多粒度グラニュラーボール計算をファジィ粗集合理論に統合し,サンプル点の代替としてグラニュラーボールを提案する。
論文 参考訳（メタデータ） (2025-01-30T15:09:26Z) - Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - GBCT: An Efficient and Adaptive Granular-Ball Clustering Algorithm for Complex Data [49.56145012222276]
粒状球クラスタリング(GBCT)と呼ばれる新しいクラスタリングアルゴリズムを提案する。
GBCTは、従来の点関係ではなく、グラニュラーボールの関係に従ってクラスタを形成する。
グラニュラーボールは様々な複雑なデータに適合するので、GBCTは従来のクラスタリング法よりも非球面データセットにおいてはるかに優れている。
論文 参考訳（メタデータ） (2024-10-17T07:32:05Z) - Granular-ball computing: an efficient, robust, and interpretable
adaptive multi-granularity representation and computation method [54.2899493638937]
人間の認知は「グローバルファースト」認知メカニズムで動作し、粗い詳細に基づいて情報処理を優先順位付けする。
解析パターンは、最も微細な粒度と単一粒度に依存するため、既存の計算手法のほとんどは効率が悪く、堅牢で、解釈可能である。
多粒度グラニュラーボールコンピューティングは、サンプル空間を適度に表現し包み込むために、様々な大きさのグラニュラーボールを使用する。
グラニュラーボールコンピューティングは、AIにおいてまれで革新的な理論的アプローチであり、効率性、堅牢性、解釈可能性を適応的かつ同時に向上させることができる。
論文 参考訳（メタデータ） (2023-04-21T03:26:29Z) - GBO:AMulti-Granularity Optimization Algorithm via Granular-ball for Continuous Problems [18.229944332377755]
本稿では, グラニュラーボール最適化(GBO)アルゴリズムを新たに提案する。
最適化のために従来の点の代わりにグラニュラーボールを使用すると、ランダム検索プロセスの多様性とロバスト性が増大する。
一般的なベンチマークの実験では、GBOは一般的な進化的アルゴリズムや進化的アルゴリズムよりも優れていることが示されている。
論文 参考訳（メタデータ） (2023-03-18T13:18:21Z) - Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy
Granular balls [67.33923111887933]
本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。
ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
論文 参考訳（メタデータ） (2023-03-07T01:52:55Z) - Fuzzy Granular-Ball Computing Framework and Its Implementation in SVM [0.8916420423563476]
本稿ではファジィ集合に粒度計算を導入することによりファジィ粒度計算分類器の枠組みを提案する。
計算フレームワークは、ポイントではなくグラニュラーボール入力に基づいている。
フレームワークはファジィサポートベクトルマシン(FSVM)に拡張され、グラニュラーボールファジィSVM(GBFSVM)が導出される。
論文 参考訳（メタデータ） (2022-10-21T02:03:52Z) - An adaptive granularity clustering method based on hyper-ball [11.35322380857363]
本手法は, 類似した分布を持つデータがハイパーボールとなり, 隣接するハイパーボールがクラスタとなるという考え方に基づいている。
この手法は「大規模ファースト」の認知法則に基づき、単純で非パラメトリックな方法で形状を考慮せずにクラスターを識別することができる。
論文 参考訳（メタデータ） (2022-05-29T07:44:09Z)
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。