論文の概要: Semi-supervised Clustering with Two Types of Background Knowledge: Fusing Pairwise Constraints and Monotonicity Constraints

• arxiv url: http://arxiv.org/abs/2302.14060v1
• Date: Sat, 25 Feb 2023 17:44:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 19:18:19.945348
• Title: Semi-supervised Clustering with Two Types of Background Knowledge: Fusing Pairwise Constraints and Monotonicity Constraints
• Title（参考訳）: 2種類の背景知識を持つ半教師付きクラスタリング:ペアワイズ制約とモノトニック性制約を融合する
• Authors: Germ\'an Gonz\'alez-Almagro, Juan Luis Su\'arez, Pablo S\'anchez-Bermejo, Jos\'e-Ram\'on Cano, Salvador Garc\'ia
• Abstract要約: 本研究は,2種類の背景知識が存在する場合にクラスタリングを行う際の問題であるペアワイド制約と単調性制約に対処する。 我々の提案は、さまざまなベンチマークデータセットと、実際の研究ケースでテストされている。
• 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: This study addresses the problem of performing clustering in the presence of two types of background knowledge: pairwise constraints and monotonicity constraints. To achieve this, the formal framework to perform clustering under monotonicity constraints is, firstly, defined, resulting in a specific distance measure. Pairwise constraints are integrated afterwards by designing an objective function which combines the proposed distance measure and a pairwise constraint-based penalty term, in order to fuse both types of information. This objective function can be optimized with an EM optimization scheme. The proposed method serves as the first approach to the problem it addresses, as it is the first method designed to work with the two types of background knowledge mentioned above. Our proposal is tested in a variety of benchmark datasets and in a real-world case of study.
• Abstract（参考訳）: 本研究では,2種類の背景知識(ペアワイズ制約とモノトニック制約)の存在下でクラスタリングを行う問題に対処する。 これを達成するために、単調性制約の下でクラスタリングを行うための正式な枠組みは、まず第一に定義され、特定の距離測度となる。 ペアワイズ制約は、提案する距離測度とペアワイズ制約に基づくペナルティ項を組み合わせた目的関数を設計することによって、後に統合され、両方の種類の情報を融合する。 この目的関数はEM最適化スキームで最適化できる。 提案手法は,前述した2種類の背景知識を扱うように設計された最初の手法であるため,この問題に対する最初のアプローチとして機能する。 我々の提案は、さまざまなベンチマークデータセットと、実際の研究ケースでテストされている。

関連論文リスト

• A successive approximation method in functional spaces for hierarchical optimal control problems and its application to learning [0.0]
  本研究では,高次元非線形関数をモデル化するための点推定の学習問題について考察する。 デューコースにおける推定パラメータは、異なるモデル検証データセット上で許容できる予測精度を提供する。 最適化段階における一般化と正規化の両方を適切に考慮する枠組みを提供する。
  論文  参考訳（メタデータ） (2024-10-27T22:28:07Z)
• Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
  機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。 本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。 これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T04:43:22Z)
• Double Duality: Variational Primal-Dual Policy Optimization for Constrained Reinforcement Learning [132.7040981721302]
  本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。 制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
  論文  参考訳（メタデータ） (2024-02-16T16:35:18Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• On the pitfalls of entropy-based uncertainty for multi-class semi-supervised segmentation [8.464487190628395]
  半教師付き学習は、限られた監督で深層モデルを訓練するための魅力的な戦略として現れてきた。 本稿では,この戦略がマルチクラスコンテキストにおける最適以下の結果をもたらすことを実証する。 本稿では,クラス間の重なり合いを考慮に入れた分散距離に基づいて,マルチクラス設定における不確実性を計算する方法を提案する。
  論文  参考訳（メタデータ） (2022-03-07T18:35:17Z)
• Gradient Based Clustering [72.15857783681658]
  本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。 アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
  論文  参考訳（メタデータ） (2022-02-01T19:31:15Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Proximal Causal Learning with Kernels: Two-Stage Estimation and Moment Restriction [39.51144507601913]
  我々は近位因果学習の設定に焦点をあてるが、本手法はフレドホルム積分方程式によって特徴づけられるより広い逆問題のクラスを解くのに使うことができる。 我々は,各アルゴリズムに一貫性の保証を提供し,これらの手法が合成データと実世界のタスクをシミュレートしたデータにおいて競争的な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-05-10T17:52:48Z)
• Fairness, Semi-Supervised Learning, and More: A General Framework for Clustering with Stochastic Pairwise Constraints [32.19047459493177]
  我々は,いくつかの本質的クラスタリングの目的に組み込んだ,新しいemphstochastic pairwise制約系を導入する。 これらの制約は,半教師付き学習における emphinvidual fairness や emphmust-link 制約など,興味をそそるアプリケーションの集合を簡潔にモデル化できることを示す。
  論文  参考訳（メタデータ） (2021-03-02T20:27:58Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。