論文の概要: Bioinspired Cortex-based Fast Codebook Generation

• arxiv url: http://arxiv.org/abs/2201.12322v1
• Date: Fri, 28 Jan 2022 18:37:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 14:48:36.491195
• Title: Bioinspired Cortex-based Fast Codebook Generation
• Title（参考訳）: バイオインスパイアされたCortexベースの高速コードブック生成
• Authors: Meric Yucel, Serdar Bagis, Ahmet Sertbas, Mehmet Sarikaya, Burak Berk Ustundag
• Abstract要約: 脳内の知覚皮質ネットワークにインスパイアされた特徴抽出法を提案する。 バイオインスパイアされた大脳皮質と呼ばれるこのアルゴリズムは、より優れた計算効率を持つストリーミング信号の特徴に収束する。 ここでは、クラスタリングおよびベクトル量子化における大脳皮質モデルの優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.09449650062296822
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A major archetype of artificial intelligence is developing algorithms facilitating temporal efficiency and accuracy while boosting the generalization performance. Even with the latest developments in machine learning, a key limitation has been the inefficient feature extraction from the initial data, which is essential in performance optimization. Here, we introduce a feature extraction method inspired by sensory cortical networks in the brain. Dubbed as bioinspired cortex, the algorithm provides convergence to orthogonal features from streaming signals with superior computational efficiency while processing data in compressed form. We demonstrate the performance of the new algorithm using artificially created complex data by comparing it with the commonly used traditional clustering algorithms, such as Birch, GMM, and K-means. While the data processing time is significantly reduced, seconds versus hours, encoding distortions remain essentially the same in the new algorithm providing a basis for better generalization. Although we show herein the superior performance of the cortex model in clustering and vector quantization, it also provides potent implementation opportunities for machine learning fundamental components, such as reasoning, anomaly detection and classification in large scope applications, e.g., finance, cybersecurity, and healthcare.
• Abstract（参考訳）: 人工知能の主な原型は、一般化性能を高めながら時間効率と正確性を促進するアルゴリズムの開発である。 機械学習の最近の発展にもかかわらず、重要な制限は初期データから非効率な特徴抽出であり、これは性能最適化に不可欠である。 本稿では,脳内の知覚皮質ネットワークに触発された特徴抽出手法を提案する。 バイオインスパイアされた皮質と呼ばれるこのアルゴリズムは、圧縮された形式でデータを処理しながら、優れた計算効率でストリーミング信号からの直交的特徴への収束を提供する。 本稿では,Birch,GMM,K-meansなどの一般的なクラスタリングアルゴリズムと比較し,人工的な複雑なデータを用いた新しいアルゴリズムの性能を示す。 データ処理時間は大幅に短縮されるが、数秒対時間では符号化歪みは、より一般化の基盤となる新しいアルゴリズムで本質的に同じである。 ここでは、クラスタリングとベクトル量子化における大脳皮質モデルの優れた性能を示すが、推論、異常検出、大範囲アプリケーションでの分類、例えば金融、サイバーセキュリティ、医療といった機械学習の基本コンポーネントに強力な実装機会を提供する。

関連論文リスト

• Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
  本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
  論文  参考訳（メタデータ） (2024-10-28T04:47:39Z)
• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Sparse Attention-Based Neural Networks for Code Classification [15.296053323327312]
  コード分類のためのスパース注意型ニューラルネットワーク(SACC)を提案する。 最初のステップでは、ソースコードは構文解析と前処理を行う。 サブツリーの符号化されたシーケンスは、分類のためにスパースアテンション機構を組み込んだTransformerモデルに入力される。
  論文  参考訳（メタデータ） (2023-11-11T14:07:12Z)
• Randomized Dimension Reduction with Statistical Guarantees [0.27195102129095]
  この論文は、高速な実行と効率的なデータ利用のためのアルゴリズムをいくつか探求している。 一般化と分散性を向上する様々なデータ拡張を組み込んだ学習アルゴリズムに着目する。 具体的には、第4章では、データ拡張整合正則化のための複雑性分析のサンプルを提示する。
  論文  参考訳（メタデータ） (2023-10-03T02:01:39Z)
• Forward-Forward Algorithm for Hyperspectral Image Classification: A Preliminary Study [0.0]
  フォワードフォワードアルゴリズム(FFA)は、ネットワークパラメータを最適化するために局所良性関数を計算する。 本研究では,FFAのハイパースペクトル画像分類への応用について検討した。
  論文  参考訳（メタデータ） (2023-07-01T05:39:28Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• Pre-Clustering Point Clouds of Crop Fields Using Scalable Methods [14.06711982797654]
  この問題に対する現在の最先端技術と、一般的な密度に基づくクラスタリングアルゴリズムであるQuickshiftの類似性を示す。 汎用的でスケーラブルなプラントセグメンテーションアルゴリズムを作成することを目的とした,新しいアプリケーション固有アルゴリズムを提案する。 フィールドスケールの表現型システムに組み込む場合、提案アルゴリズムは、結果の精度を大幅に向上させる代替品として機能する。
  論文  参考訳（メタデータ） (2021-07-22T22:47:22Z)
• Improving EEG Decoding via Clustering-based Multi-task Feature Learning [27.318646122939537]
  機械学習は、EEGパターンをより良い復号精度に最適化する有望な技術を提供します。 既存のアルゴリズムは、真のEEGサンプル分布を捕捉する基礎となるデータ構造を効果的に探索しない。 クラスタリングに基づく脳波パターン復号のためのマルチタスク機能学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-12T13:31:53Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。