Fugu-MT 論文翻訳(概要): The Rough Topology for Numerical Data

論文の概要: The Rough Topology for Numerical Data

arxiv url: http://arxiv.org/abs/2206.05776v1
Date: Sun, 12 Jun 2022 16:00:07 GMT
ステータス: 処理完了
システム内更新日: 2022-06-14 18:24:15.940891
Title: The Rough Topology for Numerical Data
Title（参考訳）: 数値データの粗いトポロジー
Authors: U\u{g}ur Yi\u{g}it
Abstract要約: 属性値からオブジェクトを分類することで,粗いトポロジとコアを数値データに一般化する。数値データのコアを見つけるための新しいアプローチについて論じる。次に、属性がコアにあるかどうかを計測する。
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: In this paper, we give a generalization of the rough topology and the core to numerical data by classifying objects in terms of the attribute values. New approach to find the core for numerical data is discussed. Then a measurement to find whether an attribute is in the core or not is given. This new method for finding the core is used for attribute reduction. It is tested and compared by using machine learning algorithms. Finally, the algorithms and codes to convert a data to pertinent data and to find core is also provided.
Abstract（参考訳）: 本稿では,属性値を用いてオブジェクトを分類することにより,粗いトポロジーとコアを数値データに一般化する。数値データのコアを見つけるための新しい手法について論じる。次に、属性がコアにあるかどうかを判断する測定を行う。この新しいコアを見つける方法は属性の削減に使用される。機械学習アルゴリズムを用いてテストされ、比較される。最後に、データを関連するデータに変換し、コアを見つけるためのアルゴリズムとコードも提供する。

関連論文リスト

Composable Core-sets for Diversity Approximation on Multi-Dataset Streams [4.765131728094872]
構成可能なコアセットはコアセットであり、コアセットのサブセットを結合して元のデータに対する近似を得るという性質を持つ。本研究では,構成可能なコアセットを構築するためのコアセット構築アルゴリズムを導入し,アクティブな学習環境におけるストリームデータを要約する。
論文参考訳（メタデータ） (2023-08-10T23:24:51Z)
Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文参考訳（メタデータ） (2023-05-12T03:01:41Z)
A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。 2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
論文参考訳（メタデータ） (2023-03-23T16:15:03Z)
Provable Data Subset Selection For Efficient Neural Network Training [73.34254513162898]
本稿では,任意の放射基底関数ネットワーク上での入力データの損失を近似する,emphRBFNNのコアセットを構成するアルゴリズムについて紹介する。次に、一般的なネットワークアーキテクチャやデータセット上で、関数近似とデータセットサブセットの選択に関する経験的評価を行う。
論文参考訳（メタデータ） (2023-03-09T10:08:34Z)
Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
ニューラルネットワーク推論タスクのOOD一般化について検討する。目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
論文参考訳（メタデータ） (2022-11-01T18:33:20Z)
A Dynamical Systems Algorithm for Clustering in Hyperspectral Imagery [0.18374319565577152]
ハイパースペクトル画像におけるクラスタリングのための新しい動的システムアルゴリズムを提案する。このアルゴリズムの主な考え方は、密度を増加させる方向に「データポイントが押される」ことであり、同じ密度の領域に終わるピクセル群は同じクラスに属する。本手法は, 既定素材のクラスを基礎事実として, k-means アルゴリズムと性能を比較した都市景観におけるアルゴリズムの評価を行う。
論文参考訳（メタデータ） (2022-07-21T17:31:57Z)
Accelerating Text Mining Using Domain-Specific Stop Word Lists [57.76576681191192]
本稿では,超平面的アプローチと呼ばれるドメイン固有語の自動抽出手法を提案する。ハイパープレーンベースのアプローチは、無関係な特徴を排除することによって、テキストの寸法を著しく削減することができる。その結果,超平面型アプローチはコーパスの寸法を90%削減し,相互情報より優れることがわかった。
論文参考訳（メタデータ） (2020-11-18T17:42:32Z)
A new network-base high-level data classification methodology (Quipus) by modeling attribute-attribute interactions [7.3810864598379755]
本稿では,正規化を必要としない属性-属性相互作用に基づくネットワーク構築手法を提案する。これらの結果から,本手法は相互性に基づく高次分類アルゴリズムの精度を向上させることが示唆された。
論文参考訳（メタデータ） (2020-09-28T17:58:12Z)
New complex network building methodology for High Level Classification based on attribute-attribute interaction [0.0]
本稿では,属性の正規化や隠れパターンのキャプチャを必要としない属性-属性相互作用に基づくネットワーク構築手法を提案する。現在の結果から,現在のハイレベル技術の改善に有効であることが示された。
論文参考訳（メタデータ） (2020-09-14T21:58:33Z)
dMelodies: A Music Dataset for Disentanglement Learning [70.90415511736089]
我々は、研究者が様々な領域でアルゴリズムの有効性を実証するのに役立つ新しいシンボリック・ミュージック・データセットを提案する。これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
論文参考訳（メタデータ） (2020-07-29T19:20:07Z)

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。