論文の概要: Weighted Distance Nearest Neighbor Condensing
- arxiv url: http://arxiv.org/abs/2310.15951v1
- Date: Tue, 24 Oct 2023 15:51:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 18:00:24.048081
- Title: Weighted Distance Nearest Neighbor Condensing
- Title（参考訳）: 重み付き距離近辺凝縮
- Authors: Lee-Ad Gottlieb, Timor Sharabi, Roi Weiss
- Abstract要約: 重み付き距離近傍の凝縮問題を紹介する。
凝縮集合の各点に重みを割り当てた後、凝縮集合内のその重み付き距離近傍に基づいて新しい点をラベル付けする。
隣り合う標準的な規則よりも劇的によく凝縮できるが、後者とほぼ同じ一般化が特徴である。
- 参考スコア（独自算出の注目度）: 7.449277923576096
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of nearest neighbor condensing has enjoyed a long history of
study, both in its theoretical and practical aspects. In this paper, we
introduce the problem of weighted distance nearest neighbor condensing, where
one assigns weights to each point of the condensed set, and then new points are
labeled based on their weighted distance nearest neighbor in the condensed set.
We study the theoretical properties of this new model, and show that it can
produce dramatically better condensing than the standard nearest neighbor rule,
yet is characterized by generalization bounds almost identical to the latter.
We then suggest a condensing heuristic for our new problem. We demonstrate
Bayes consistency for this heuristic, and also show promising empirical
results.
- Abstract（参考訳）: 近隣の凝縮の問題は、その理論的および実践的な側面において、長い研究の歴史を享受してきた。
本稿では, 凝縮集合の各点に重みを割り当てる重み付き距離近傍の凝縮問題を紹介し, そして, 凝縮集合内のその重み付き距離近傍の近傍の重み付き距離に基づいて新しい点をラベル付けする。
この新しいモデルの理論的性質を考察し,本モデルが最も近い規則よりも劇的に凝縮性が向上することを示すが,その一般化は後者とほぼ同一である。
次に、新しい問題に対する凝縮ヒューリスティックを提案する。
このヒューリスティックなベイズ一貫性を示し、有望な実証結果も示します。
関連論文リスト
- Metric properties of partial and robust Gromov-Wasserstein distances [3.9485589956945204]
グロモフ=ワッサーシュタイン距離(Gromov-Wasserstein distance, GW)は、最適な輸送のアイデアに基づいて、メトリクスの族を定義する。
GW距離は本質的に外れ音に敏感であり、部分的マッチングに対応できない。
我々の新しい距離は真の測度を定義し、それらがGW距離と同じ位相を誘導し、摂動にさらなる堅牢性をもたらすことを示す。
論文 参考訳（メタデータ） (2024-11-04T15:53:45Z) - On high-dimensional modifications of the nearest neighbor classifier [0.0]
本稿では,これらの既存手法について考察し,新しい手法を提案する。
提案手法の実証的性能と既存手法との比較を行うため,いくつかのシミュレーションおよびベンチマークデータセットを分析した。
論文 参考訳（メタデータ） (2024-07-06T17:53:53Z) - Contextually Affinitive Neighborhood Refinery for Deep Clustering [13.48547883315848]
本研究では,より情報に富む近隣住民をコラボニティブ(ConAff)地区で探索する効率的なオンライン・リランク・プロセスを提案する。
提案手法は,汎用的な自己教師型フレームワークに容易に組み込むことができ,いくつかの一般的なベンチマークにおいて最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2023-12-12T23:56:51Z) - Closing the Gap Between the Upper Bound and the Lower Bound of Adam's
Iteration Complexity [51.96093077151991]
我々はAdamの新しい収束保証を導出し、$L$-smooth条件と有界雑音分散仮定のみを導出する。
本証明は,運動量と適応学習率の絡み合いを扱うために,新しい手法を利用する。
論文 参考訳（メタデータ） (2023-10-27T09:16:58Z) - Robust affine point matching via quadratic assignment on Grassmannians [50.366876079978056]
Robust Affine Matching with Grassmannians (RoAM) は点雲のアフィン登録を行うアルゴリズムである。
このアルゴリズムは、グラスマンの2つの要素間のフロベニウス距離を最小化することに基づいている。
論文 参考訳（メタデータ） (2023-03-05T15:27:24Z) - Conditional Frechet Inception Distance [2.408714894793063]
We developed conditional version of the Wasserstein metric and its Gaussian case known the Frechet Inception Distance (FID)。
条件生成モデルの性能評価の文脈における指標を数値的に比較する。
論文 参考訳（メタデータ） (2021-03-21T23:59:19Z) - A Study of Condition Numbers for First-Order Optimization [12.072067586666382]
我々は*-ノルムと呼ばれる新しいノルムによって定量化された摂動のクラスを導入する。
滑らかさと強い凸性は任意に小さい摂動に強く影響される。
本稿では,ロバストなチューニング戦略に不可欠なメトリクスの連続性の概念を提案する。
論文 参考訳（メタデータ） (2020-12-10T16:17:48Z) - Adversarial Examples for $k$-Nearest Neighbor Classifiers Based on
Higher-Order Voronoi Diagrams [69.4411417775822]
逆例は機械学習モデルにおいて広く研究されている現象である。
そこで本研究では,$k$-nearest 近傍分類の逆ロバスト性を評価するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-19T08:49:10Z) - Social Distancing is Good for Points too! [91.3755431537592]
点が近すぎるとFCNNの動作が悪くなることを示す。
そして、そのようなケースを避けるためにアルゴリズムの修正に成功した。
この修正はアルゴリズムの近似保証とともに有用な上界を証明するのに十分である。
論文 参考訳（メタデータ） (2020-06-28T16:49:59Z) - Coresets for the Nearest-Neighbor Rule [78.15296214629433]
最も近い隣の凝縮は、サブセット$R の部分集合 P$ を見つけることである。
本稿では,最寄りの分類のためのコアセットの概念を紹介する。
そこで我々は,選択した部分集合のサイズを上界として証明可能な2次時間近似アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-16T19:00:48Z) - Learning multiview 3D point cloud registration [74.39499501822682]
本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。
このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
論文 参考訳（メタデータ） (2020-01-15T03:42:14Z)
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。