論文の概要: Multi-class granular approximation by means of disjoint and adjacent
fuzzy granules
- arxiv url: http://arxiv.org/abs/2202.07584v1
- Date: Tue, 15 Feb 2022 17:15:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 13:54:44.928752
- Title: Multi-class granular approximation by means of disjoint and adjacent
fuzzy granules
- Title(参考訳): 不連続および隣接したファジィ顆粒による多種粒度近似
- Authors: Marko Palangeti\'c, Chris Cornelis, Salvatore Greco, Roman
S{\l}owi\'nski
- Abstract要約: 本稿では,解離および隣接した顆粒の概念を導入し,新しい定義が粒度近似にどのように影響するかを検討する。
新しい概念は、決定領域を分離し続けるのに役立つため、二項分類問題にとって重要であることを示す。
多クラス分類問題に対する粒度近似を考慮し、多クラス粒度近似を定義する。
- 参考スコア(独自算出の注目度): 2.7222301668137483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In granular computing, fuzzy sets can be approximated by granularly
representable sets that are as close as possible to the original fuzzy set
w.r.t. a given closeness measure. Such sets are called granular approximations.
In this article, we introduce the concepts of disjoint and adjacent granules
and we examine how the new definitions affect the granular approximations.
First, we show that the new concepts are important for binary classification
problems since they help to keep decision regions separated (disjoint granules)
and at the same time to cover as much as possible of the attribute space
(adjacent granules). Later, we consider granular approximations for multi-class
classification problems leading to the definition of a multi-class granular
approximation. Finally, we show how to efficiently calculate multi-class
granular approximations for {\L}ukasiewicz fuzzy connectives. We also provide
graphical illustrations for a better understanding of the introduced concepts.
- Abstract(参考訳): 粒度の計算では、ファジィ集合は元のファジィ集合 w.r.t. にできるだけ近い粒度の表現可能な集合によって近似することができる。
そのような集合は粒度近似と呼ばれる。
本稿では,解離および隣接した顆粒の概念を紹介し,新しい定義が粒度近似にどのように影響するかを検討する。
まず,新たな概念は,属性空間(隣接顆粒)を可能な限りカバーするために,決定領域を分離しておくのに役立つため,二分分類問題において重要であることを示す。
後に、多クラス分類問題に対する粒度近似を考えると、多クラス粒度近似の定義に繋がる。
最後に, ファジィファジィ連結体の多クラス粒度近似を効率的に計算する方法を示す。
導入された概念をより深く理解するための図面も提供します。
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) - Multi-view Granular-ball Contrastive Clustering [15.732090918798395]
粒状球はインスタンスとクラスタの間にあり、サンプル集合の局所的な位相構造を自然に保存する。
我々はMGBCC(Multi-view Granular-ball Contrastive Clustering)という手法を提案する。
論文 参考訳(メタデータ) (2024-12-18T06:53:30Z) - Multi-Granularity Open Intent Classification via Adaptive Granular-Ball Decision Boundary [22.669965275069313]
適応的粒界決定境界(MOGB)を用いた多粒度オープン意図分類法を提案する。
提案手法は,表現学習と決定境界獲得という2つのモジュールから構成される。
これは適応的な粒球クラスタリングと最も近いセントロイド分類を反復的に交互に交互に行い、既知の意図クラス内の微細な意味構造をキャプチャする。
論文 参考訳(メタデータ) (2024-12-18T06:42:19Z) - Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。
既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。
グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる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) (2024-12-17T10:42:19Z) - 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) - GBMST: An Efficient Minimum Spanning Tree Clustering Based on
Granular-Ball Computing [78.92205914422925]
多粒度グラニュラバルと最小スパンニングツリー(MST)を組み合わせたクラスタリングアルゴリズムを提案する。
粒度が粗い粒状ボールを構築し,さらに粒状ボールとMSTを用いて「大規模優先度」に基づくクラスタリング手法を実装した。
いくつかのデータセットの実験結果は、アルゴリズムの威力を示している。
論文 参考訳(メタデータ) (2023-03-02T09:04:35Z) - Pareto-optimal clustering with the primal deterministic information
bottleneck [2.6411634335546887]
本稿では,損失圧縮の定式化に焦点をあてる。
我々は、以前研究された双対対対よりもはるかにリッチなフロンティアで結果を示す。
アルゴリズムを用いて、3つの異なるタスクのDIBフロンティアをマッピングする。
論文 参考訳(メタデータ) (2022-04-05T21:08:45Z) - Adversarial Examples for $k$-Nearest Neighbor Classifiers Based on
Higher-Order Voronoi Diagrams [69.4411417775822]
逆例は機械学習モデルにおいて広く研究されている現象である。
そこで本研究では,$k$-nearest 近傍分類の逆ロバスト性を評価するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-11-19T08:49:10Z) - Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。
本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。
本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-13T18:05:36Z)
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。