Fugu-MT 論文翻訳(概要): Min-Max-Jump distance and its applications

論文の概要: Min-Max-Jump distance and its applications

arxiv url: http://arxiv.org/abs/2301.05994v1
Date: Sun, 15 Jan 2023 00:55:40 GMT
ステータス: 処理完了
システム内更新日: 2023-01-18 17:58:43.560356
Title: Min-Max-Jump distance and its applications
Title（参考訳）: Min-Max-Jump 距離とその応用
Authors: Gangli Liu
Abstract要約: MMJベースのK平均は、K平均をMMJ距離で修正する。 MMJに基づくシルエット係数は、Silhouette係数をMMJ距離で補正する。最後のアプリケーションでは、Min-Max-Jump 距離を用いて新しい点のラベルを予測した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A new distance metric called Min-Max-Jump distance (MMJ distance) is proposed. Three applications of it are tested. MMJ-based K-means revises K-means with MMJ distance. MMJ-based Silhouette coefficient revises Silhouette coefficient with MMJ distance. We also tested the Clustering with Neural Network and Index (CNNI) model with MMJ-based Silhouette coefficient. In the last application, we tested using Min-Max-Jump distance for predicting labels of new points, after a clustering analysis of data. Result shows Min-Max-Jump distance achieves good performances in all the three proposed applications.
Abstract（参考訳）: Min-Max-Jump distance (MMJ distance) と呼ばれる新しい距離測定法を提案する。 3つの応用がテストされている。 MMJに基づくK平均は、MMJ距離でK平均を変更する。 MMJに基づくシルエット係数は、Silhouette係数をMMJ距離で補正する。また,mmjに基づくシルエット係数を用いたニューラルネットワークとインデックス(cnni)モデルによるクラスタリングも行った。最後のアプリケーションでは、データのクラスタリング分析の後、Min-Max-Jump距離を用いて新しい点のラベルを予測する。結果,Min-Max-Jump 距離は提案した3つのアプリケーションすべてにおいて良好な性能を示す。

関連論文リスト

Provably Efficient Information-Directed Sampling Algorithms for Multi-Agent Reinforcement Learning [50.92957910121088]
本研究は,情報指向サンプリング(IDS)の原理に基づくマルチエージェント強化学習(MARL)のための新しいアルゴリズムの設計と解析を行う。エピソディックな2プレーヤゼロサムMGに対して、ナッシュ平衡を学習するための3つのサンプル効率アルゴリズムを提案する。我々は、Reg-MAIDSをマルチプレイヤー汎用MGに拡張し、ナッシュ平衡または粗相関平衡をサンプル効率良く学習できることを証明する。
論文参考訳（メタデータ） (2024-04-30T06:48:56Z)
Utilizing Maximum Mean Discrepancy Barycenter for Propagating the Uncertainty of Value Functions in Reinforcement Learning [16.75089998678061]
本稿では,不確実性伝播に対するワッサースタインQラーニング(WQL)を改善するために,最大平均離散Qラーニング(MMD-QL)を提案する。深層ネットワークをMDD-QLに組み込んでMDDQ-Network(MMD-QN)を作成します。 Atariゲームに挑戦する実験の結果、MDD-QNはベンチマークの深いRLアルゴリズムと比較してよく機能していることが示された。
論文参考訳（メタデータ） (2024-03-31T13:41:56Z)
Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文参考訳（メタデータ） (2024-01-12T22:51:48Z)
A New Probabilistic Distance Metric With Application In Gaussian Mixture Reduction [25.07521362926412]
本稿では,2つの連続確率密度関数を比較するための新しい距離指標を提案する。この計量の主な利点は、ガウス分布の混合に対して解析的で閉形式表現を提供できることである。
論文参考訳（メタデータ） (2023-06-12T17:50:09Z)
Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
論文参考訳（メタデータ） (2023-06-01T11:16:20Z)
MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文参考訳（メタデータ） (2023-03-23T17:59:02Z)
Keeping Less is More: Point Sparsification for Visual SLAM [1.370633147306388]
本研究では,SLAMシステムにおける地図点のスペース化のための効率的なグラフ最適化を提案する。具体的には、最小コストの最大フローグラフ最適化問題として、最大ポーズ可視性と最大空間多様性問題を定式化する。提案手法は既存のSLAMシステムの追加ステップとして機能し,従来のSLAMシステムと学習ベースのSLAMシステムの両方で使用することができる。
論文参考訳（メタデータ） (2022-07-01T06:39:38Z)
Mitigating Out-of-Distribution Data Density Overestimation in Energy-Based Models [54.06799491319278]
深部エネルギーベースモデル(EBM)は、複雑な分布を学習する能力によって注目されている。 EBMの訓練には、Langevin Monte Carlo (LMC) を用いた最大推定(MLE)を用いることが多い。短周期LCCのMLEが, 誤った密度推定でEMMに収束する理由を考察する。
論文参考訳（メタデータ） (2022-05-30T02:49:17Z)
Robust Multi-view Registration of Point Sets with Laplacian Mixture Model [25.865100974015412]
重み付きラプラシアン分布に基づいて複数の点集合を整列させる新しい確率的生成法を提案する。本稿では,提案手法の利点を,ベンチマークの挑戦的データセットに対する最先端手法と比較することによって示す。
論文参考訳（メタデータ） (2021-10-26T14:49:09Z)
When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。精度を向上させるために,2つの軽量モジュールを提案する。 DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。 QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
論文参考訳（メタデータ） (2021-05-27T13:51:42Z)
Memory-Efficient Sampling for Minimax Distance Measures [4.873362301533825]
本稿では,メモリ要求を低減し,線形空間の複雑さを提供するため,効率的なサンプリング手法について検討する。そこで本研究では,異なる領域の実世界のデータセット上での手法の評価を行い,その結果を分析した。
論文参考訳（メタデータ） (2020-05-26T11:00:34Z)

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。