Fugu-MT 論文翻訳(概要): Fuzzy Clustering by Hyperbolic Smoothing

論文の概要: Fuzzy Clustering by Hyperbolic Smoothing

arxiv url: http://arxiv.org/abs/2207.04261v1
Date: Sat, 9 Jul 2022 12:40:46 GMT
ステータス: 処理完了
システム内更新日: 2022-07-12 13:33:06.160695
Title: Fuzzy Clustering by Hyperbolic Smoothing
Title（参考訳）: 双曲型平滑化によるファジィクラスタリング
Authors: David Masis, Esteban Segura, Javier Trejos, Adilson Xavier
Abstract要約: 本研究では,スムーズな数値手法を用いて,大規模データセットのファジィクラスタを構築する手法を提案する。この平滑化により、強微分不可能な問題から低次元の制約を伴わずに、最適化の微分可能部分確率に変換することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We propose a novel method for building fuzzy clusters of large data sets, using a smoothing numerical approach. The usual sum-of-squares criterion is relaxed so the search for good fuzzy partitions is made on a continuous space, rather than a combinatorial space as in classical methods \cite{Hartigan}. The smoothing allows a conversion from a strongly non-differentiable problem into differentiable subproblems of optimization without constraints of low dimension, by using a differentiable function of infinite class. For the implementation of the algorithm we used the statistical software $R$ and the results obtained were compared to the traditional fuzzy $C$--means method, proposed by Bezdek.
Abstract（参考訳）: 本研究では,大規模データセットのファジィクラスタを構築するための新しい手法を提案する。通常の2乗和規準は緩和されるので、良いファジィ分割の探索は、古典的な方法 \cite{Hartigan} のように組合せ空間ではなく連続空間上で行われる。この平滑化は、無限クラスの微分可能関数を用いて、強非微分可能問題から低次元の制約なしに最適化の微分可能部分問題への変換を可能にする。アルゴリズムの実装には,統計ソフトウェア $r$ を用いた。その結果は,bezdek が提案した従来のファジィ $c$-means 法と比較した。

関連論文リスト

Stochastic First-Order Methods with Non-smooth and Non-Euclidean Proximal Terms for Nonconvex High-Dimensional Stochastic Optimization [2.0657831823662574]
非問題が非問題である場合、一階法のサンプルは問題次元に線形に依存することがあるが、望ましくない問題に対するものである。我々のアルゴリズムは距離を使って複雑さを見積もることができる。 MathO (log d) / EuM4。 DISFOM は $mathO (log d) / EuM4 を用いて分散を鋭くすることができることを示す。
論文参考訳（メタデータ） (2024-06-27T18:38:42Z)
Nonsmooth Projection-Free Optimization with Functional Constraints [14.413404128420352]
本稿では,制約付き非平滑凸計算のための段階的アルゴリズムを提案する。提案アルゴリズムは一般凸関数不等式制約で非滑らかな問題を扱うことができる。決定論的下位段階が下位段階に置き換わる際にも同様のパフォーマンスが観察される。
論文参考訳（メタデータ） (2023-11-18T23:06:33Z)
High-Probability Convergence for Composite and Distributed Stochastic Minimization and Variational Inequalities with Heavy-Tailed Noise [96.80184504268593]
グラデーション、クリッピングは、優れた高確率保証を導き出すアルゴリズムの鍵となる要素の1つである。クリッピングは、合成および分散最適化の一般的な方法の収束を損なう可能性がある。
論文参考訳（メタデータ） (2023-10-03T07:49:17Z)
Sarah Frank-Wolfe: Methods for Constrained Optimization with Best Rates and Practical Features [79.39965431772626]
Frank-Wolfe (FW) 法は、構造化制約による最適化問題の解法として一般的な手法である。有限サム勾配の最小化のためのアルゴリズムの2つの新しい変種を示す。
論文参考訳（メタデータ） (2023-04-23T20:05:09Z)
Multistage Stochastic Optimization via Kernels [3.7565501074323224]
我々は,多段階最適化問題に対する非パラメトリック,データ駆動,トラクタブルアプローチを開発した。本稿では,提案手法が最適に近い平均性能で決定ルールを生成することを示す。
論文参考訳（メタデータ） (2023-03-11T23:19:32Z)
Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文参考訳（メタデータ） (2023-02-24T18:41:48Z)
Stochastic Inexact Augmented Lagrangian Method for Nonconvex Expectation Constrained Optimization [88.0031283949404]
多くの実世界の問題は複雑な非機能的制約を持ち、多くのデータポイントを使用する。提案手法は,従来最もよく知られた結果で既存手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2022-12-19T14:48:54Z)
Random Manifold Sampling and Joint Sparse Regularization for Multi-label Feature Selection [0.0]
本稿では,$ell_2,1$および$ell_F$正規化の連立制約付き最適化問題を解くことで,最も関連性の高いいくつかの特徴を得ることができる。実世界のデータセットの比較実験により,提案手法が他の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2022-04-13T15:06:12Z)
On Stochastic Moving-Average Estimators for Non-Convex Optimization [105.22760323075008]
本稿では,移動平均(SEMA)問題に基づく広く利用されている推定器のパワーを実証する。これらすべてのアートな結果に対して、これらのアートな問題に対する結果も提示します。
論文参考訳（メタデータ） (2021-04-30T08:50:24Z)
Stochastic Frank-Wolfe for Constrained Finite-Sum Minimization [30.980431848476925]
線形予測・構造を一般化した制約付き有限滑らかサム最小化アルゴリズムを提案する。提案手法は実装が簡単で,ステップサイズチューニングを必要としない。オープンソースパッケージで検討されたすべてのメソッドの実装を提供する。
論文参考訳（メタデータ） (2020-02-27T00:47:21Z)
Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文参考訳（メタデータ） (2020-02-21T17:45:32Z)

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。