Fugu-MT 論文翻訳(概要): XAI for Self-supervised Clustering of Wireless Spectrum Activity

論文の概要: XAI for Self-supervised Clustering of Wireless Spectrum Activity

arxiv url: http://arxiv.org/abs/2305.10060v1
Date: Wed, 17 May 2023 08:56:43 GMT
ステータス: 処理完了
システム内更新日: 2023-05-18 16:46:07.987749
Title: XAI for Self-supervised Clustering of Wireless Spectrum Activity
Title（参考訳）: 無線スペクトルの自己監視クラスタリングのためのXAI
Authors: Ljupcho Milosheski, Gregor Cerar, Bla\v{z} Bertalani\v{c}, Carolina Fortuna and Mihael Mohor\v{c}i\v{c}
Abstract要約: 本稿では,深層クラスタリング,自己教師型学習アーキテクチャの方法論を提案する。表現学習部では,入力データの関心領域の解釈にガイドバックプロパゲーションを用いる。クラスタリングの部分は、クラスタリングの結果を説明するために、Shallow Treesに依存しています。最後に、データ固有の視覚化部は、各クラスタと入力データとの接続を関連機能をトラフすることを可能にする。
参考スコア（独自算出の注目度）: 0.5809784853115825
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The so-called black-box deep learning (DL) models are increasingly used in classification tasks across many scientific disciplines, including wireless communications domain. In this trend, supervised DL models appear as most commonly proposed solutions to domain-related classification problems. Although they are proven to have unmatched performance, the necessity for large labeled training data and their intractable reasoning, as two major drawbacks, are constraining their usage. The self-supervised architectures emerged as a promising solution that reduces the size of the needed labeled data, but the explainability problem remains. In this paper, we propose a methodology for explaining deep clustering, self-supervised learning architectures comprised of a representation learning part based on a Convolutional Neural Network (CNN) and a clustering part. For the state of the art representation learning part, our methodology employs Guided Backpropagation to interpret the regions of interest of the input data. For the clustering part, the methodology relies on Shallow Trees to explain the clustering result using optimized depth decision tree. Finally, a data-specific visualizations part enables connection for each of the clusters to the input data trough the relevant features. We explain on a use case of wireless spectrum activity clustering how the CNN-based, deep clustering architecture reasons.
Abstract（参考訳）: いわゆるblack-box deep learning(dl)モデルは、無線通信ドメインを含む多くの科学分野の分類タスクでますます使われている。この傾向において、教師付きDLモデルはドメイン関連分類問題に対する最も一般的な解決策として現れる。適合しないパフォーマンスであることが証明されているが、大きなラベル付きトレーニングデータと難解な推論の必要性は、2つの大きな欠点として、その使用を制限している。自己管理型アーキテクチャは、必要なラベル付きデータのサイズを減らすための有望なソリューションとして登場したが、説明可能性の問題はまだ残っている。本稿では,畳み込みニューラルネットワーク(CNN)とクラスタリング部に基づく表現学習部で構成される,深層クラスタリング,自己教師型学習アーキテクチャを説明する手法を提案する。芸術表現学習部では,入力データの関心領域を解釈するために指導バックプロパゲーションを用いる。クラスタリング部分については、最適化された深さ決定木を使用してクラスタリング結果を説明するために、Shallow Treesに依存している。最後に、データ固有可視化部は、各クラスタが関連する特徴を入力データに接続できるようにする。我々は、CNNベースのディープクラスタリングアーキテクチャの理由を、無線スペクトル活動クラスタリングのユースケースについて説明する。

関連論文リスト

Self-Supervised Contrastive Graph Clustering Network via Structural Information Fusion [15.293684479404092]
CGCNと呼ばれる新しいディープグラフクラスタリング手法を提案する。提案手法では,事前学習プロセスにコントラスト信号と深部構造情報を導入している。本手法は,複数の実世界のグラフデータセットに対して実験的に検証されている。
論文参考訳（メタデータ） (2024-08-08T09:49:26Z)
LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
グラフクラスタリングは機械学習の基本的な問題である。近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
論文参考訳（メタデータ） (2024-05-20T05:46:41Z)
Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。モデルはGCNを適用するために初期グラフを事前に推定する。一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文参考訳（メタデータ） (2024-02-25T07:03:37Z)
Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文参考訳（メタデータ） (2022-10-09T02:31:32Z)
A Deep Dive into Deep Cluster [0.2578242050187029]
DeepClusterは、ビジュアル表現のシンプルでスケーラブルな教師なし事前トレーニングである。本稿では,DeepClusterの収束と性能が,畳み込み層のランダムフィルタの品質と選択されたクラスタ数の相互作用に依存することを示す。
論文参考訳（メタデータ） (2022-07-24T22:55:09Z)
Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文参考訳（メタデータ） (2022-07-14T19:16:56Z)
Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文参考訳（メタデータ） (2021-12-15T07:28:58Z)
Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文参考訳（メタデータ） (2021-08-12T02:30:38Z)
Deep Fusion Clustering Network [38.540761683389135]
深層クラスタリングのための深層フュージョンクラスタリングネットワーク(DFCN)を提案する。本ネットワークでは,オートエンコーダとグラフオートエンコーダが学習した表現を明示的にマージするために,相互依存学習に基づく構造化と属性情報融合(SAIF)モジュールを提案する。 6つのベンチマークデータセットの実験により、提案されたDFCNは最先端のディープクラスタリング手法よりも一貫して優れていることが示された。
論文参考訳（メタデータ） (2020-12-15T09:37:59Z)
EXPLAIN-IT: Towards Explainable AI for Unsupervised Network Traffic Analysis [7.447122949368314]
ラベルのないデータを扱う手法であるEXPLAIN-ITを導入し、意味のあるクラスタを作成し、エンドユーザのクラスタリング結果の説明を提案する。暗号化されたトラフィックシナリオ下でのYouTubeビデオ品質分類の問題に対してEXPLAIN-ITを適用し,有望な結果を示す。
論文参考訳（メタデータ） (2020-03-03T17:54:41Z)
Structural Deep Clustering Network [45.370272344031285]
本研究では,構造情報を深層クラスタリングに統合する構造深層クラスタリングネットワーク(SDCN)を提案する。具体的には、オートエンコーダが学習した表現を対応するGCN層に転送するデリバリ演算子を設計する。このように、低次から高次までの複数のデータ構造は、オートエンコーダによって学習された複数の表現と自然に結合される。
論文参考訳（メタデータ） (2020-02-05T04:33:40Z)

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。