論文の概要: Using Enriched Category Theory to Construct the Nearest Neighbour Classification Algorithm

• arxiv url: http://arxiv.org/abs/2312.16529v1
• Date: Wed, 27 Dec 2023 11:20:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-29 19:02:13.411679
• Title: Using Enriched Category Theory to Construct the Nearest Neighbour Classification Algorithm
• Title（参考訳）: 近傍近傍分類アルゴリズム構築のためのリッチカテゴリー理論の利用
• Authors: Matthew Pugh, Jo Grundy, Corina Cirstea, Nick Harris
• Abstract要約: 本稿では,強化カテゴリー理論のみを用いた機械学習アルゴリズムの構築とモチベーションを初めて行った。 データセットに関する一連の合理的な仮定は、Nearest Neighbours Algorithmの構築につながる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exploring whether Enriched Category Theory could provide the foundation of an alternative approach to Machine Learning. This paper is the first to construct and motivate a Machine Learning algorithm solely with Enriched Category Theory. In order to supplement evidence that Category Theory can be used to motivate robust and explainable algorithms, it is shown that a series of reasonable assumptions about a dataset lead to the construction of the Nearest Neighbours Algorithm. In particular, as an extension of the original dataset using profunctors in the category of Lawvere metric spaces. This leads to a definition of an Enriched Nearest Neighbours Algorithm, which consequently also produces an enriched form of the Voronoi diagram. This paper is intended to be accessible without any knowledge of Category Theory
• Abstract（参考訳）: 強化カテゴリー理論が機械学習の代替アプローチの基盤となるかどうかを探求する。 本稿では,強化カテゴリー理論のみを用いた機械学習アルゴリズムの構築と動機付けを行う。 カテゴリー理論がロバストで説明可能なアルゴリズムの動機付けに利用できるという証拠を補うために、データセットに関する一連の合理的な仮定がNearest Neighbours Algorithmの構築につながることを示した。 特に、ローヴェア計量空間の圏におけるプロファンクターを用いた元のデータセットの拡張として。 これにより、よりリッチな近近近傍アルゴリズムが定義され、結果としてヴォロノイ図形のリッチな形式も生成される。 本論文はカテゴリー理論の知識がなくてもアクセス可能であることを意図している。

関連論文リスト

• Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
  本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。 既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。 グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T10:42:19Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Structure of Classifier Boundaries: Case Study for a Naive Bayes Classifier [1.1485218363676564]
  境界は巨大かつ複雑であることを示す。 我々はNeighbor similarityと呼ばれる新しい不確実性尺度を作成し、その結果が隣人に対する結果の分布の点と比較する。
  論文  参考訳（メタデータ） (2022-12-08T16:23:42Z)
• Language Model Decoding as Likelihood-Utility Alignment [54.70547032876017]
  モデルの有効性がタスク固有の実用性の概念とどのように一致しているかについて、暗黙の仮定に基づいて、デコード戦略をグループ化する分類法を導入する。 具体的には、様々なタスクの集合における予測の可能性と有用性の相関を解析することにより、提案された分類を裏付ける最初の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2022-10-13T17:55:51Z)
• A Framework and Benchmarking Study for Counterfactual Generating Methods on Tabular Data [0.0]
  カウンターファクトな説明は、機械学習の予測を説明する効果的な方法と見なされる。 このような説明を導き出そうとするアルゴリズムは、すでに数十ある。 ベンチマーク研究とフレームワークは、実践者がどのテクニックとビルディングブロックが最も適しているかを決定するのに役立ちます。
  論文  参考訳（メタデータ） (2021-07-09T21:06:03Z)
• 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)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Clustering with Tangles: Algorithmic Framework and Theoretical Guarantees [10.992467680364962]
  本稿では,機械学習応用におけるトライアングルの実用可能性を示す。 任意のデータセットのカットの集合が与えられたとき、トライアングルはこれらのカットを密集構造の方向を指し示すために集約する。 タングルを用いたクラスタリングのためのアルゴリズムフレームワークを構築し、様々な設定で理論的保証を証明し、広範囲なシミュレーションとユースケースを提供する。
  論文  参考訳（メタデータ） (2020-06-25T14:23:56Z)
• Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
  類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。 類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-11T05:35:16Z)
• k-Nearest Neighbour Classifiers: 2nd Edition (with Python examples) [2.639737913330821]
  最近隣の分類は、クエリの例に最も近い隣人を識別し、それらの隣人をクエリのクラスを決定することで達成される。 本稿では, 周辺地域分類の手法の概要, 類似性(距離)を評価するメカニズム, 近隣地域を特定する際の計算問題, データの次元を小さくするメカニズムについて述べる。
  論文  参考訳（メタデータ） (2020-04-09T13:00:05Z)
• Data Structures & Algorithms for Exact Inference in Hierarchical Clustering [41.24805506595378]
  本稿では,新しいトレリスデータ構造に基づく階層クラスタリングにおける表現型推論のための動的プログラミングアルゴリズムを提案する。 我々のアルゴリズムは時間と空間に比例してN$要素のパワーセットをスケールし、これは(2N-3)! 可能な階層のそれぞれを明示的に考慮するよりも指数関数的に効率的である。
  論文  参考訳（メタデータ） (2020-02-26T17:43:53Z)

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。