論文の概要: Biarchetype analysis: simultaneous learning of observations and features based on extremes
- arxiv url: http://arxiv.org/abs/2311.11153v2
- Date: Wed, 22 May 2024 08:47:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-26 20:13:50.726413
- Title: Biarchetype analysis: simultaneous learning of observations and features based on extremes
- Title（参考訳）: Biarchetype Analysis: 極性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: そこで本研究では,古型解析を拡張し,観察と特徴の両アーキタイプを同時に識別する新しい手法であるバイアルキタイプ解析を提案する。
この革新的な教師なし機械学習ツールは、純粋な型、またはバイアーキタイプのインスタンスを通して、観察と特徴を表現することを目的としている。
さまざまな機械学習課題に対するバイアルキタイプ分析の適用は、その価値を浮き彫りにする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel exploratory technique, termed biarchetype analysis, which extends archetype analysis to simultaneously identify archetypes of both observations and features. This innovative unsupervised machine learning tool aims to represent observations and features through instances of pure types, or biarchetypes, which are easily interpretable as they embody mixtures of observations and features. Furthermore, the observations and features are expressed as mixtures of the biarchetypes, which makes the structure of the data easier to understand. We propose an algorithm to solve biarchetype analysis. Although clustering is not the primary aim of this technique, biarchetype analysis is demonstrated to offer significant advantages over biclustering methods, particularly in terms of interpretability. This is attributed to biarchetypes being extreme instances, in contrast to the centroids produced by biclustering, which inherently enhances human comprehension. The application of biarchetype analysis across various machine learning challenges underscores its value, and both the source code and examples are readily accessible in R and Python at https://github.com/aleixalcacer/JA-BIAA.
- Abstract（参考訳）: 本稿では,新しい探索手法であるバイアルキタイプ解析を導入し,考古学的特徴と観察的特徴を同時に識別する。
この革新的な教師なし機械学習ツールは、純粋なタイプのインスタンスやバイアルタイプのインスタンスを通じて観察と特徴を表現することを目的としており、観察と特徴の混在を具現化することによって容易に解釈できる。
さらに、観察と特徴はバイアルキタイプを混合したものとして表現され、データの構造が理解しやすくなっている。
両階層型解析を解くアルゴリズムを提案する。
この手法の主目的はクラスタリングではないが、双クラスタリング法、特に解釈可能性の観点からは、双階層型解析は双クラスタリング法よりも大きな利点をもたらすことが示されている。
これは、双鎖型が極端な例であるのに対し、双鎖型は本質的に人間の理解を増強する双鎖型によって生成される中心型であると考えられている。
さまざまな機械学習課題に対するbiarchetype分析の適用は、その価値を浮き彫りにしており、ソースコードとサンプルは、https://github.com/aleixalcacer/JA-BIAAで、RとPythonで容易にアクセス可能である。
関連論文リスト
- Towards the Visualization of Aggregated Class Activation Maps to Analyse
the Global Contribution of Class Features [0.47248250311484113]
クラスアクティベーションマップ(CAM)は、分類に寄与するデータサンプルの各機能の重要性を視覚化する。
複数のサンプルからCAMを集約し,意味的に構造化されたデータの分類のグローバルな説明を示す。
我々のアプローチでは,分析者が高次元データの重要な特徴を検出し,世界的説明の可視化に基づいてAIモデルに調整を導出することができる。
論文 参考訳（メタデータ） (2023-07-29T11:13:11Z) - Interpretable Deep Clustering for Tabular Data [7.972599673048582]
クラスタリングは、データ分析で広く使われている基本的な学習タスクである。
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,生物,テキスト,画像,物理データセットの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) - Molecular Property Prediction by Semantic-invariant Contrastive Learning [26.19431931932982]
分子特性予測のためのビュー生成法に基づくフラグメントに基づくセマンティック不変コントラスト学習モデルを開発した。
事前トレーニングのサンプルが少ないため、FraSICLは既存の主要なモデルと比較して最先端のパフォーマンスを達成できる。
論文 参考訳（メタデータ） (2023-03-13T07:32:37Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳（メタデータ） (2022-10-06T00:33:01Z) - 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) - 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) - 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) - Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。
我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。
実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
論文 参考訳（メタデータ） (2020-02-27T18:26:44Z)
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。