論文の概要: Application of the Affinity Propagation Clustering Technique to obtain traffic accident clusters at macro, meso, and micro levels

• arxiv url: http://arxiv.org/abs/2202.05175v1
• Date: Wed, 9 Feb 2022 02:46:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-13 12:56:30.674684
• Title: Application of the Affinity Propagation Clustering Technique to obtain traffic accident clusters at macro, meso, and micro levels
• Title（参考訳）: アフィニティ・プロパゲーション・クラスタリング法のマクロ・メソ・マイクロレベルの交通事故クラスタ取得への応用
• Authors: Fagner Sutel de Moura, Christine Tessele Nodari
• Abstract要約: 事故発生場所を特定する上で,事故グループ化は重要なステップである。 この研究は、交通事故をグループ化するためのAPC(Affinity Propagation Clustering)アプローチを導入している。 類似性の選好パラメータは、モデルをキャリブレーションし、クラスタを生成するために必要なパフォーマンスを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accident grouping is a crucial step in identifying accident-prone locations. Among the different accident grouping modes, clustering methods present excellent performance for discovering different distributions of accidents in space. This work introduces the Affinity Propagation Clustering (APC) approach for grouping traffic accidents based on criteria of similarity and dissimilarity between distributions of data points in space. The APC provides more realistic representations of the distribution of events from similarity matrices between instances. The results showed that when representative data samples obtain, the preference parameter of similarity provides the necessary performance to calibrate the model and generate clusters according to the desired characteristics. In addition, the study demonstrates that the preference parameter as a continuous parameter facilitates the calibration and control of the model's convergence, allowing the discovery of clustering patterns with less effort and greater control of the results
• Abstract（参考訳）: 事故発生場所を特定する上で,事故グループ化は重要なステップである。 異なる事故分類モードのうち、クラスタリング手法は、宇宙における事故の異なる分布を発見するのに優れた性能を示す。 本研究は,空間内のデータポイント分布の類似性と類似性の基準に基づいて事故をグループ化するアフィニティ伝播クラスタリング(apc)手法を提案する。 APCは、インスタンス間の類似度行列からイベントの分布をよりリアルに表現する。 その結果、代表データサンプルが得られた場合、類似性の選好パラメータがモデルを校正し、所望の特性に応じてクラスタを生成するために必要な性能を提供することがわかった。 さらに、連続パラメータとしての選好パラメータがモデルの収束の校正と制御を容易にすることを示し、より少ない労力でクラスタリングパターンの発見と結果のより深い制御を可能にした。

関連論文リスト

• An Agglomerative Clustering of Simulation Output Distributions Using Regularized Wasserstein Distance [0.0]
  本稿では,正規化ワッサーシュタイン距離をクラスタシミュレーション出力に利用した新しいクラスタリングアルゴリズムを提案する。 このフレームワークには、異常検出、事前最適化、オンライン監視など、いくつかの重要なユースケースがある。
  論文  参考訳（メタデータ） (2024-07-16T18:07:32Z)
• Cluster-Aware Similarity Diffusion for Instance Retrieval [64.40171728912702]
  拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。 本稿では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-04T14:19:50Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
  異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。 ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。 厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
  論文  参考訳（メタデータ） (2022-09-22T09:04:10Z)
• Personalized Federated Learning via Convex Clustering [72.15857783681658]
  本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。 提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
  論文  参考訳（メタデータ） (2022-02-01T19:25:31Z)
• Multi-objective Semi-supervised Clustering for Finding Predictive Clusters [0.5371337604556311]
  本研究は,クラスタリング問題に焦点をあて,結果変数に有意なコンパクトクラスタを見つけることを目的とする。 主な目標は、各クラスタでの観測が類似し、結果変数をこれらのクラスタを使用して同時に予測できるように、データポイントをパーティショニングすることである。
  論文  参考訳（メタデータ） (2022-01-26T06:24:38Z)
• Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
  制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。 本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための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） (2021-06-11T13:38:09Z)
• Modeling Heterogeneous Statistical Patterns in High-dimensional Data by Adversarial Distributions: An Unsupervised Generative Framework [33.652544673163774]
  本研究では,不均質な統計的パターンに適合して解き放つために,逆分布を利用した新しい非監視生成フレームワークFIRDを提案する。 離散空間に適用する場合、firdは同期された詐欺師を通常のユーザーと効果的に区別する。
  論文  参考訳（メタデータ） (2020-12-15T08:51:20Z)
• Decorrelated Clustering with Data Selection Bias [55.91842043124102]
  本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。 DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
  論文  参考訳（メタデータ） (2020-06-29T08:55:50Z)

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。