論文の概要: Spatio-Temporal Surrogates for Interaction of a Jet with High Explosives: Part II -- Clustering Extremely High-Dimensional Grid-Based Data

• arxiv url: http://arxiv.org/abs/2307.01400v1
• Date: Mon, 3 Jul 2023 23:36:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-07-06 18:46:57.216393
• Title: Spatio-Temporal Surrogates for Interaction of a Jet with High Explosives: Part II -- Clustering Extremely High-Dimensional Grid-Based Data
• Title（参考訳）: ジェットと高爆発物との相互作用のための時空間サロゲート:その2 -- 極高次元グリッドベースデータのクラスタリング
• Authors: Chandrika Kamath and Juliette S. Franzman
• Abstract要約: 本稿では,高爆薬と相互作用するジェット機のシミュレーションから得られた出力データについて考察する。 ランダムなプロジェクションのランダム性と,k平均クラスタリングにおける初期セントロイドの選択を併用して,データセット内のクラスタ数を決定する方法を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building an accurate surrogate model for the spatio-temporal outputs of a computer simulation is a challenging task. A simple approach to improve the accuracy of the surrogate is to cluster the outputs based on similarity and build a separate surrogate model for each cluster. This clustering is relatively straightforward when the output at each time step is of moderate size. However, when the spatial domain is represented by a large number of grid points, numbering in the millions, the clustering of the data becomes more challenging. In this report, we consider output data from simulations of a jet interacting with high explosives. These data are available on spatial domains of different sizes, at grid points that vary in their spatial coordinates, and in a format that distributes the output across multiple files at each time step of the simulation. We first describe how we bring these data into a consistent format prior to clustering. Borrowing the idea of random projections from data mining, we reduce the dimension of our data by a factor of thousand, making it possible to use the iterative k-means method for clustering. We show how we can use the randomness of both the random projections, and the choice of initial centroids in k-means clustering, to determine the number of clusters in our data set. Our approach makes clustering of extremely high dimensional data tractable, generating meaningful cluster assignments for our problem, despite the approximation introduced in the random projections.
• Abstract（参考訳）: 計算機シミュレーションの時空間出力の正確な代理モデルを構築することは難しい課題である。 surrogateの精度を向上させるための単純なアプローチは、出力を類似性に基づいてクラスタ化し、各クラスタに対して別々のsurrogateモデルを構築することである。 このクラスタリングは、各タイムステップの出力が適度なサイズである場合、比較的単純である。 しかし、空間領域が多数のグリッドポイントで表される場合、数百万個という数字で表される場合、データのクラスタリングはより困難になる。 本報告では,高爆発物と相互作用する噴流のシミュレーションによる出力データについて検討する。 これらのデータは、異なる大きさの空間領域、空間座標の異なるグリッドポイント、シミュレーションの各時間ステップで複数のファイルに出力を分散するフォーマットで利用可能である。 まず、クラスタリングに先立って、これらのデータを一貫したフォーマットにする方法を説明します。 データマイニングからランダムな投影のアイデアを借用することで、データの次元を1000倍に削減し、反復的なk-means法をクラスタリングに利用することが可能になります。 データセット内のクラスタ数を決定するために、ランダムなプロジェクションと、k平均クラスタリングにおける初期センタロイドの選択の両方のランダム性をどのように利用できるかを示す。 提案手法は,ランダム射影に導入された近似にもかかわらず,超高次元データのクラスタリングを扱いやすくし,有意義なクラスタ割り当てを生成する。

関連論文リスト

• Hyperoctant Search Clustering: A Method for Clustering Data in High-Dimensional Hyperspheres [0.0]
  座標の符号(ハイパーロクタント)によって定義される空間の領域に適用される位相的アプローチに基づく新しいクラスタリング法を提案する。 密度基準によれば、この方法はグラフの分割に基づいてデータポイントのクラスタを構築する。 テキストマイニングにおいて重要な課題である話題検出の応用を選択する。
  論文  参考訳（メタデータ） (2025-03-10T23:41:44Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy Granular balls [67.33923111887933]
  本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。 ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
  論文  参考訳（メタデータ） (2023-03-07T01:52:55Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Clustering Plotted Data by Image Segmentation [12.443102864446223]
  クラスタリングアルゴリズムは、ラベルなしデータのパターンを検出する主要な分析手法の1つである。 本稿では,人間のクラスタリングデータに着想を得た,2次元空間におけるクラスタリングポイントの全く異なる方法を提案する。 私たちのアプローチであるVisual Clusteringは、従来のクラスタリングアルゴリズムよりもいくつかのアドバンテージを持っています。
  論文  参考訳（メタデータ） (2021-10-06T06:19:30Z)
• Local versions of sum-of-norms clustering [77.34726150561087]
  本手法はボールモデルにおいて任意に閉じた球を分離できることを示す。 我々は、不連結連結集合のクラスタリングで発生する誤差に定量的な有界性を証明した。
  論文  参考訳（メタデータ） (2021-09-20T14:45:29Z)
• Efficient Large-Scale Face Clustering Using an Online Mixture of Gaussians [1.3101369903953806]
  大規模オンライン顔クラスタリングのためのオンラインガウス混合クラスタリング法(OGMC)を提案する。 受信面から抽出された特徴ベクトル(fベクトル)を使用して、OGMCは、その近接性と堅牢性に応じて、他の人と接続できるクラスタを生成します。 実験の結果,提案手法は大規模フェースクラスタリングベンチマークにおける最先端のクラスタリング手法を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-31T17:59:38Z)
• Determinantal consensus clustering [77.34726150561087]
  本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。 DPPは部分集合内の中心点の多様性を好んでいる。 DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
  論文  参考訳（メタデータ） (2021-02-07T23:48:24Z)
• Mixed data Deep Gaussian Mixture Model: A clustering model for mixed datasets [0.0]
  我々はMixed Deep Gaussian Mixture Model (MDGMM)と呼ばれるモデルに基づくクラスタリング手法を提案する。 このアーキテクチャは柔軟性があり、連続データや非連続データにも適用できる。 我々のモデルはデータの連続的な低次元表現を提供し、混合データセットを視覚化するのに有用なツールである。
  論文  参考訳（メタデータ） (2020-10-13T19:52:46Z)
• Clustering small datasets in high-dimension by random projection [2.2940141855172027]
  統計的に重要なクラスタリング構造を小さなデータセットで見つけるための低計算手法を提案する。 この手法は、ランダムな線上にデータを投影し、その結果の1次元データにバイナリクラスタリングを求める。 得られたクラスタリング構造の統計的妥当性を投影された一次元空間で検証する。
  論文  参考訳（メタデータ） (2020-08-21T16:49:37Z)
• Probabilistic Partitive Partitioning (PPP) [0.0]
  クラスタリングアルゴリズムは一般に2つの一般的な問題に直面している。 彼らは異なる初期条件で異なる設定に収束する。 クラスタの数は、事前に任意に決めなければならない。
  論文  参考訳（メタデータ） (2020-03-09T19:18:35Z)
• Conjoined Dirichlet Process [63.89763375457853]
  我々はディリクレ過程に基づく新しい非パラメトリック確率的ビクラスタリング法を開発し、列と列の双方に強い共起を持つビクラスタを同定する。 本手法はテキストマイニングと遺伝子発現解析の2つの異なる応用に適用し,既存の手法に比べて多くの設定でビクラスタ抽出を改善することを示す。
  論文  参考訳（メタデータ） (2020-02-08T19:41:23Z)

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。