論文の概要: Biarchetype analysis: simultaneous learning of observations and features
based on extremes
- arxiv url: http://arxiv.org/abs/2311.11153v1
- Date: Sat, 18 Nov 2023 19:44:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 10:19:42.942003
- Title: Biarchetype analysis: simultaneous learning of observations and features
based on extremes
- Title(参考訳): biarchetype analysis:extremesに基づく観察と特徴の同時学習
- Authors: Aleix Alcacer, Irene Epifanio, Ximo Gual-Arnau
- Abstract要約: 我々はバイアルキタイプ分析を用いて、容易に解釈できる純粋な型(バイアルキタイプ)の例による観察と特徴を表現する。
両階層型解析は、特に解釈可能性の観点から、双クラスタリングよりも有利であることを示す。
ビアルキタイプ解析は、その有用性を説明するために、いくつかの機械学習問題に適用される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A new exploratory technique called biarchetype analysis is defined. We extend
archetype analysis to find the archetypes of both observations and features
simultaneously. The idea of this new unsupervised machine learning tool is to
represent observations and features by instances of pure types (biarchetypes)
that can be easily interpreted as they are mixtures of observations and
features. Furthermore, the observations and features are expressed as mixtures
of the biarchetypes, which also helps understand the structure of the data. We
propose an algorithm to solve biarchetype analysis. We show that biarchetype
analysis offers advantages over biclustering, especially in terms of
interpretability. This is because byarchetypes are extreme instances as opposed
to the centroids returned by biclustering, which favors human understanding.
Biarchetype analysis is applied to several machine learning problems to
illustrate its usefulness.
- Abstract(参考訳): biarchetype analysis と呼ばれる新しい探索的手法が定義されている。
アーキタイプ解析を拡張して,観測と特徴の両方のアーキタイプを同時に見つけ出す。
この新しい教師なし機械学習ツールのアイデアは、観察と特徴の混合であるとして容易に解釈できる純粋な型(biarchetypes)のインスタンスによる観察と特徴を表現することである。
さらに、観察と特徴は二階層型の混合物として表現され、データの構造を理解するのにも役立つ。
双階層型解析を解くアルゴリズムを提案する。
両階層型解析は、特に解釈可能性の観点から、双クラスタリングよりも有利であることを示す。
これは、Byarchetypesが双クラスタリングによって返されるセントロイドとは対照的に極端な例であるからである。
バイアルケタイプ分析は、その有用性を説明するためにいくつかの機械学習問題に適用される。
関連論文リスト
- Interpretable Deep Clustering [3.9596068699962315]
本稿では,インスタンスとクラスタレベルでの解釈可能なクラスタ割り当てを予測する,新たなディープラーニングフレームワークを提案する。
提案手法は,合成データと実データを用いてクラスタ割り当てを確実に予測できることを示す。
論文 参考訳(メタデータ) (2023-06-07T21:08:09Z) - Disentangled Explanations of Neural Network Predictions by Finding Relevant Subspaces [14.70409833767752]
説明可能なAIは、ニューラルネットワークのような複雑なMLモデルのブラックボックスの性質を克服し、予測の説明を生成することを目的としている。
そこで本研究では,PCA や ICA に見られる原理を説明に拡張する2つの新しい分析法を提案する。
これらの新しい分析は、主成分分析 (PRCA) と解離関連部分空間分析 (DRSA) と呼ばれ、ばらつきや硬変の代わりに関連性を最大化する。
論文 参考訳(メタデータ) (2022-12-30T18:04:25Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳(メタデータ) (2021-10-31T16:15:09Z) - Boolean Reasoning-Based Biclustering for Shifting Pattern Extraction [0.20305676256390928]
Biclusteringは、さまざまな種類の関心のあるパターンの品質を測定する機能によって駆動されるため、データ内のパターンを検索するための強力なアプローチです。
シフトパターンはデータの変動が一定であるので、特に興味深い。
この研究は、ブール推論によるシフトパターンの誘導は、すべての包含-最大デルタシフトパターンを見つける能力によるものであることを示す。
論文 参考訳(メタデータ) (2021-04-26T11:40:17Z) - Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。
例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。
本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
論文 参考訳(メタデータ) (2021-03-22T14:32:44Z) - Prototypical Representation Learning for Relation Extraction [56.501332067073065]
本論文では, 遠隔ラベルデータから予測可能, 解釈可能, 堅牢な関係表現を学習することを目的とする。
文脈情報から各関係のプロトタイプを学習し,関係の本質的意味を最善に探求する。
いくつかの関係学習タスクの結果,本モデルが従来の関係モデルを大きく上回っていることがわかった。
論文 参考訳(メタデータ) (2021-03-22T08:11:43Z) - Contrastive analysis for scatter plot-based representations of
dimensionality reduction [0.0]
本稿では,マルチ次元データセットを探索し,クラスタの形成を解釈する手法を提案する。
また,属性がクラスタ形成にどのように影響するかを理解するために使用される統計変数間の関係を視覚的に解釈し,探索する二部グラフも導入する。
論文 参考訳(メタデータ) (2021-01-26T01:16:31Z) - Toward Scalable and Unified Example-based Explanation and Outlier
Detection [128.23117182137418]
我々は,試行錯誤の予測に例ベースの説明を与えることのできる,プロトタイプベースの学生ネットワークのより広範な採用を論じる。
類似カーネル以外のプロトタイプベースのネットワークは,分類精度を損なうことなく,有意義な説明と有望な外乱検出結果が得られることを示す。
論文 参考訳(メタデータ) (2020-11-11T05:58:17Z) - Deducing neighborhoods of classes from a fitted model [68.8204255655161]
本稿では,新しいタイプの解釈可能な機械学習手法を提案する。
量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。
基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
論文 参考訳(メタデータ) (2020-09-11T16:35:53Z) - Commonality-Parsing Network across Shape and Appearance for Partially
Supervised Instance Segmentation [71.59275788106622]
そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。
本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-24T07:23:44Z) - Finding archetypal patterns for binary questionnaires [0.0]
Archetypal分析は、純粋な(極端)パターンの混合として観測の集合を説明する探索的なツールである。
本稿では,2次観測にアルテチポイド分析を用いることを提案する。
論文 参考訳(メタデータ) (2020-02-28T20:01:24Z)
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。