Fugu-MT 論文翻訳(概要): An Improved Nearest Neighbour Classifier

論文の概要: An Improved Nearest Neighbour Classifier

arxiv url: http://arxiv.org/abs/2204.13141v1
Date: Wed, 27 Apr 2022 18:28:12 GMT
ステータス: 処理完了
システム内更新日: 2022-04-29 13:56:43.368453
Title: An Improved Nearest Neighbour Classifier
Title（参考訳）: 近近距離分類器の改良
Authors: Eric Setterqvist, Natan Kruglyak, Robert Forchheimer
Abstract要約: 画像のNearest Neighbour(WNN)分類器のウィンドウ版について述べる。 WNNは手書き桁の画像のデータセットMNISTとEMNISTについて説明する。 WNNはEMNISTの画像の0.42%を誤って分類しており、したがって人間や浅いANNの予測よりも大幅に上回っていることが示されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A windowed version of the Nearest Neighbour (WNN) classifier for images is described. While its construction is inspired by the architecture of Artificial Neural Networks, the underlying theoretical framework is based on approximation theory. We illustrate WNN on the datasets MNIST and EMNIST of images of handwritten digits. In order to calibrate the parameters of WNN, we first study it on the classical MNIST dataset. We then apply WNN with these parameters to the challenging EMNIST dataset. It is demonstrated that WNN misclassifies 0.42% of the images of EMNIST and therefore significantly outperforms predictions by humans and shallow ANNs that both have more than 1.3% of errors.
Abstract（参考訳）: 画像のNearest Neighbour(WNN)分類器のウィンドウ版について述べる。その構成は人工ニューラルネットワークのアーキテクチャにインスパイアされているが、基礎となる理論フレームワークは近似理論に基づいている。 WNNは手書き桁の画像のデータセットMNISTとEMNISTについて説明する。 WNNのパラメータを校正するために、まず古典的なMNISTデータセットについて検討する。次に、これらのパラメータを挑戦的なEMNISTデータセットに適用する。 WNNはEMNISTの画像の0.42%を誤って分類しており、したがって人間や浅いANNの予測よりも大幅に上回っていることが示されている。

関連論文リスト

NAS-BNN: Neural Architecture Search for Binary Neural Networks [55.058512316210056]
我々は、NAS-BNNと呼ばれる二元ニューラルネットワークのための新しいニューラルネットワーク探索手法を提案する。我々の発見したバイナリモデルファミリーは、20Mから2Mまでの幅広い操作(OP)において、以前のBNNよりも優れていた。さらに,対象検出タスクにおける探索されたBNNの転送可能性を検証するとともに,探索されたBNNを用いたバイナリ検出器は,MSデータセット上で31.6% mAP,370万 OPsなどの新たな最先端結果を得る。
論文参考訳（メタデータ） (2024-08-28T02:17:58Z)
CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文参考訳（メタデータ） (2024-04-23T08:19:08Z)
Comparative Analysis of Shear Strength Prediction Models for Reinforced Concrete Slab-Column Connections [0.4018006442585584]
この研究は、実験結果と機械学習予測を検証するスラブのFAAと補完されている。 PSOFNN、BATFNN、FNNの7つの異なるモデルがこのデータに基づいてトレーニングされ、その結果、PSOFNNが全体として最高のモデルであることが判明した。
論文参考訳（メタデータ） (2023-09-29T17:42:37Z)
INK: Injecting kNN Knowledge in Nearest Neighbor Machine Translation [57.952478914459164]
kNN-MTは、推論中に隣接する表現に基づいて予測を円滑にするための効果的なパラダイムを提供する。我々は,kNN近傍の表現を少数の新しいパラメータで調整することで,表現空間を円滑にするための効果的なトレーニングフレームワークINKを提案する。 4つのベンチマークデータセットでの実験では、メソッドは1.99 COMETと1.0 BLEUの平均ゲインを達成し、0.02倍のメモリ空間と1.9倍の推論速度を持つ最先端のkNN-MTシステムより優れていた。
論文参考訳（メタデータ） (2023-06-10T08:39:16Z)
Neural Common Neighbor with Completion for Link Prediction [25.871382203332903]
我々は,MPNNの表現プーリングを誘導する構造的特徴(SF)を活用した革新的なアーキテクチャであるMPNN-then-SFを紹介する。グラフの不完全性が SF に与える影響について検討する。この問題に対処するために、リンク予測モデルを用いて、一般的な隣り合う構造を完成させる手法を提案する。
論文参考訳（メタデータ） (2023-02-02T05:45:09Z)
Local Approximations, Real Interpolation and Machine Learning [0.0]
局所近似に基づく新しい分類アルゴリズムを提案する。手書き数字の画像のデータセット MNIST と EMNIST について説明する。このアルゴリズムはEMNISTの画像の0.42%を誤って分類している。
論文参考訳（メタデータ） (2022-07-15T19:26:31Z)
Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文参考訳（メタデータ） (2022-06-26T16:00:22Z)
Supervised Training of Siamese Spiking Neural Networks with Earth's Mover Distance [4.047840018793636]
本研究は,高可逆性シアムニューラルネットモデルをイベントデータ領域に適応させる。我々はスパイク・トレインとスパイク・ニューラル・ネットワーク(SNN)の間の地球のモーバー距離を最適化するための教師付きトレーニング・フレームワークを導入する。
論文参考訳（メタデータ） (2022-02-20T00:27:57Z)
Fully Spiking Variational Autoencoder [66.58310094608002]
スパイキングニューラルネットワーク(SNN)は、超高速で超低エネルギー消費のニューロモルフィックデバイス上で動作することができる。本研究では,SNNを用いた可変オートエンコーダ(VAE)を構築し,画像生成を実現する。
論文参考訳（メタデータ） (2021-09-26T06:10:14Z)
Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文参考訳（メタデータ） (2021-05-17T12:19:22Z)

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。