Fugu-MT 論文翻訳(概要): Dimensionality Reduction Using pseudo-Boolean polynomials For Cluster Analysis

論文の概要: Dimensionality Reduction Using pseudo-Boolean polynomials For Cluster Analysis

arxiv url: http://arxiv.org/abs/2308.15553v1
Date: Tue, 29 Aug 2023 18:19:36 GMT
ステータス: 処理完了
システム内更新日: 2023-08-31 15:54:25.853859
Title: Dimensionality Reduction Using pseudo-Boolean polynomials For Cluster Analysis
Title（参考訳）: 擬ブール多項式を用いたクラスター解析のための次元化
Authors: Tendai Mapungwana Chikake and Boris Goldengorin
Abstract要約: 本稿では,クラスタ分析プロセスにおける次元還元のメカニズムとして,擬似ブールのペナルティに基づく定式化の還元特性について紹介する。実験の結果,多次元データは2次元に縮小できる一方で,30次元ウィスコンシン乳癌データセットは3次元に縮小できることがわかった。
参考スコア（独自算出の注目度）: 1.9580473532948401
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We introduce usage of a reduction property of penalty-based formulation of pseudo-Boolean polynomials as a mechanism for invariant dimensionality reduction in cluster analysis processes. In our experiments, we show that multidimensional data, like 4-dimensional Iris Flower dataset can be reduced to 2-dimensional space while the 30-dimensional Wisconsin Diagnostic Breast Cancer (WDBC) dataset can be reduced to 3-dimensional space, and by searching lines or planes that lie between reduced samples we can extract clusters in a linear and unbiased manner with competitive accuracies, reproducibility and clear interpretation.
Abstract（参考訳）: 本稿では,クラスタ解析プロセスにおける不変次元減少のメカニズムとして,擬ブール多項式のペナルティに基づく定式化の還元特性を導入する。本研究では,4次元irisフラワーデータセットのような多次元データを2次元空間に還元し,30次元ウィスコンシン診断乳癌(wdbc)データセットを3次元空間に縮小し,縮小サンプル間に存在する線や平面を探索することで,競合性,再現性,明瞭な解釈により,線形・非偏りのクラスタを抽出できることを示した。

関連論文リスト

Enhancing Dimension-Reduced Scatter Plots with Class and Feature Centroids [0.0]
データセットが2次元に縮小されると、各観測は x と y の座標に割り当てられ、散乱プロット上の点として表される。重要な課題は、次元減少に固有の複雑さのため、x と y の軸の意味を解釈することである。本研究は, 次元減少から導出されるx, y座標を用いて, 散乱プロット上にオーバーレイ可能なクラスおよび特徴セントロイドを計算することで, この課題に対処する。
論文参考訳（メタデータ） (2024-03-29T15:45:25Z)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
拡張ビジョン技術は、しばしばその解釈に挑戦する。データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
論文参考訳（メタデータ） (2024-01-31T09:31:28Z)
Laplacian-based Cluster-Contractive t-SNE for High Dimensional Data Visualization [20.43471678277403]
本稿では t-SNE に基づく新しいグラフベース次元削減手法 LaptSNE を提案する。具体的には、LaptSNEはグラフラプラシアンの固有値情報を利用して、低次元埋め込みにおけるポテンシャルクラスタを縮小する。ラプラシアン合成目的による最適化を考える際には、より広い関心を持つであろう勾配を解析的に計算する方法を示す。
論文参考訳（メタデータ） (2022-07-25T14:10:24Z)
Intrinsic dimension estimation for discrete metrics [65.5438227932088]
本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
論文参考訳（メタデータ） (2022-07-20T06:38:36Z)
A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
本稿では,Vec2vecという新しい局所非線形手法を提案する。ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減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） (2021-03-10T23:10:47Z)
Joint Dimensionality Reduction for Separable Embedding Estimation [43.22422640265388]
異なるソースからのデータの低次元埋め込みは、機械学習、マルチメディア情報検索、バイオインフォマティクスにおいて重要な役割を果たす。異なるモダリティのデータや異なる種類の実体からのデータを表す2つの特徴ベクトルに対して,線形埋め込みを共同で学習する,教師付き次元還元法を提案する。提案手法は,他の次元減少法と比較し,遺伝子・退化関連を予測するための両線形回帰の最先端手法と比較した。
論文参考訳（メタデータ） (2021-01-14T08:48:37Z)
Invariant Deep Compressible Covariance Pooling for Aerial Scene Categorization [80.55951673479237]
本研究では,空気シーン分類におけるニュアンス変動を解決するために,新しい不変な深部圧縮性共分散プール (IDCCP) を提案する。本研究では,公開空間画像データセットに関する広範な実験を行い,最先端の手法と比較して,この手法の優位性を実証する。
論文参考訳（メタデータ） (2020-11-11T11:13:07Z)
Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。