論文の概要: Class-wise Classifier Design Capable of Continual Learning using
Adaptive Resonance Theory-based Topological Clustering
- arxiv url: http://arxiv.org/abs/2203.09879v1
- Date: Fri, 18 Mar 2022 11:43:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 14:59:17.922499
- Title: Class-wise Classifier Design Capable of Continual Learning using
Adaptive Resonance Theory-based Topological Clustering
- Title（参考訳）: 適応共振理論に基づく位相クラスタリングを用いた連続学習が可能なクラスワイド分類器の設計
- Authors: Naoki Masuyama, Itsuki Tsubota, Yusuke Nojima, Hisao Ishibuchi
- Abstract要約: 本稿では,適応共振(ART)に基づく自己組織クラスタリングアルゴリズムを用いて,継続学習が可能な教師付き分類アルゴリズムを提案する。
ARTベースのクラスタリングアルゴリズムは理論的には連続的な学習が可能である。
提案アルゴリズムは、継続学習が可能な最先端クラスタリングに基づく分類アルゴリズムと比較して、優れた分類性能を有する。
- 参考スコア（独自算出の注目度）: 9.374871304813638
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper proposes a supervised classification algorithm capable of
continual learning by utilizing an Adaptive Resonance Theory (ART)-based
growing self-organizing clustering algorithm. The ART-based clustering
algorithm is theoretically capable of continual learning, and the proposed
algorithm independently applies it to each class of training data for
generating classifiers. Whenever an additional training data set from a new
class is given, a new ART-based clustering will be defined in a different
learning space. Thanks to the above-mentioned features, the proposed algorithm
realizes continual learning capability. Simulation experiments showed that the
proposed algorithm has superior classification performance compared with
state-of-the-art clustering-based classification algorithms capable of
continual learning.
- Abstract（参考訳）: 本稿では,適応共鳴理論(art)に基づく自己組織型クラスタリングアルゴリズムを用いて,連続学習が可能な教師付き分類アルゴリズムを提案する。
ARTに基づくクラスタリングアルゴリズムは理論的には連続的な学習が可能であり、提案アルゴリズムは個別に分類器を生成する訓練データの各クラスに適用する。
新しいクラスから追加のトレーニングデータセットが与えられると、新しいアートベースのクラスタリングが別の学習空間で定義されます。
上記の特徴により,提案アルゴリズムは連続学習能力を実現する。
シミュレーション実験により,提案アルゴリズムは連続学習が可能な最先端クラスタリングに基づく分類アルゴリズムと比較して,分類性能が優れていることがわかった。
関連論文リスト
- A Hard-to-Beat Baseline for Training-free CLIP-based Adaptation [121.0693322732454]
対照的に、CLIP(Contrastive Language- Image Pretraining)はその目覚ましいゼロショット能力で人気を集めている。
近年の研究では、下流タスクにおけるCLIPの性能を高めるための効率的な微調整手法の開発に焦点が当てられている。
従来のアルゴリズムであるガウス判別分析(GDA)を再検討し,CLIPの下流分類に適用する。
論文 参考訳（メタデータ） (2024-02-06T15:45:27Z) - Privacy-preserving Continual Federated Clustering via Adaptive Resonance
Theory [11.190614418770558]
クラスタリング領域では、フェデレーション学習フレームワーク(フェデレーションクラスタリング)を用いた様々なアルゴリズムが活発に研究されている。
本稿では,プライバシ保護型継続フェデレーションクラスタリングアルゴリズムを提案する。
合成および実世界のデータセットによる実験結果から,提案アルゴリズムはクラスタリング性能が優れていることが示された。
論文 参考訳（メタデータ） (2023-09-07T05:45:47Z) - A Parameter-free Adaptive Resonance Theory-based Topological Clustering
Algorithm Capable of Continual Learning [20.995946115633963]
本稿では,パラメータ推定手法を導入して連続学習が可能な,パラメータフリーのARTに基づく新しいトポロジクラスタリングアルゴリズムを提案する。
合成および実世界のデータセットによる実験結果から,提案アルゴリズムはパラメータの事前特定なしに,最先端のクラスタリングアルゴリズムよりも優れたクラスタリング性能を有することが示された。
論文 参考訳（メタデータ） (2023-05-01T01:04:07Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳（メタデータ） (2022-12-23T00:50:41Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳（メタデータ） (2022-06-16T11:44:11Z) - Using Representation Expressiveness and Learnability to Evaluate
Self-Supervised Learning Methods [61.49061000562676]
本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。
CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。
CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
論文 参考訳（メタデータ） (2022-06-02T19:05:13Z) - Adaptive Resonance Theory-based Topological Clustering with a Divisive
Hierarchical Structure Capable of Continual Learning [8.581682204722894]
本稿では、データポイントの分布から類似度閾値を自動的に推定する機構を備えたARTベースのトポロジカルクラスタリングアルゴリズムを提案する。
情報抽出性能を向上させるために,連続学習が可能な分割階層クラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-01-26T02:34:52Z) - Multi-label Classification via Adaptive Resonance Theory-based
Clustering [9.58897929546191]
本稿では,適応共振理論(art)に基づくクラスタリングアルゴリズムとラベル確率計算のためのベイズ法を適用し,連続学習が可能なマルチラベル分類アルゴリズムを提案する。
合成および実世界のマルチラベルデータセットを用いた実験結果は,提案アルゴリズムが他のよく知られたアルゴリズムと競合する分類性能を持つことを示した。
論文 参考訳（メタデータ） (2021-03-02T06:51:41Z) - CAC: A Clustering Based Framework for Classification [20.372627144885158]
分類アウェアクラスタリング(CAC)と呼ばれるシンプルで効率的で汎用的なフレームワークを設計する。
本実験は,クラスタリングと分類を併用した従来の手法よりもCACの有効性を示すものである。
論文 参考訳（メタデータ） (2021-02-23T18:59:39Z) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳（メタデータ） (2020-10-23T11:18:20Z) - Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。
この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
論文 参考訳（メタデータ） (2020-06-13T16:10:03Z)
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。