Fugu-MT 論文翻訳(概要): Biclustering a dataset using photonic quantum computing

論文の概要: Biclustering a dataset using photonic quantum computing

arxiv url: http://arxiv.org/abs/2405.18622v1
Date: Tue, 28 May 2024 22:04:29 GMT
ステータス: 処理完了
システム内更新日: 2024-05-30 21:33:21.038593
Title: Biclustering a dataset using photonic quantum computing
Title（参考訳）: フォトニック量子コンピューティングを用いたデータセットのビクラスタリング
Authors: Ajinkya Borle, Ameya Bhave,
Abstract要約: ビクラスタリングは、機械学習とデータマイニングにおける問題である。我々は、ボソンやGBSのような量子コンピューティングモデルがこの問題にもたらす自然な関係を強調します。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Biclustering is a problem in machine learning and data mining that seeks to group together rows and columns of a dataset according to certain criteria. In this work, we highlight the natural relation that quantum computing models like boson and Gaussian boson sampling (GBS) have to this problem. We first explore the use of boson sampling to identify biclusters based on matrix permanents. We then propose a heuristic that finds clusters in a dataset using Gaussian boson sampling by (i) converting the dataset into a bipartite graph and then (ii) running GBS to find the densest sub-graph(s) within the larger bipartite graph. Our simulations for the above proposed heuristics show promising results for future exploration in this area.
Abstract（参考訳）: ビクラスタリングは、特定の基準に従ってデータセットの行と列をまとめようとする機械学習とデータマイニングにおける問題である。本研究では、ボソンやガウスボソンサンプリング(GBS)のような量子コンピューティングモデルがこの問題にもたらす自然な関係を強調した。まず, ボソンサンプリングを用いて, 行列の永久性に基づく二クラスターを同定する。次に、ガウスボソンサンプリングを用いたデータセット内のクラスタを見つけるヒューリスティックを提案する。一データセットを二部グラフに変換して (i) GBS を実行して、より大きい二部グラフ内の最も密度の高い部分グラフを見つける。以上より提案したヒューリスティックスをシミュレーションした結果,今後の探査に期待できる結果が得られた。

関連論文リスト

HBIC: A Biclustering Algorithm for Heterogeneous Datasets [0.0]
Biclusteringは、データマトリックス内で行と列を同時にクラスタすることを目的とした、教師なしの機械学習アプローチである。複素異種データから有意義なビクラスタを発見することが可能な,HBICと呼ばれるビクラスタリング手法を提案する。
論文参考訳（メタデータ） (2024-08-23T16:48:10Z)
ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。 textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
論文参考訳（メタデータ） (2024-08-20T14:49:14Z)
Superclustering by finding statistically significant separable groups of optimal gaussian clusters [0.0]
本稿では,BIC基準の観点から,最適なデータセットをグループ化することで,データセットをクラスタリングするアルゴリズムを提案する。このアルゴリズムの重要な利点は、既に訓練済みのクラスタに基づいて、新しいデータの正しいスーパークラスタを予測する能力である。
論文参考訳（メタデータ） (2023-09-05T23:49:46Z)
Boost clustering with Gaussian Boson Sampling: a full quantum approach [0.09437521840642138]
ガウスボソンサンプリング(GBS)に基づく新しいクラスタリング手法を提案する。 2つの有名な古典的クラスタリングアルゴリズムを用いて、我々のアプローチをベンチマークする。その結果,提案手法は,選択した3つの指標のうち2つにおいて,従来の2つのアルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2023-07-25T09:05:24Z)
Spatio-Temporal Surrogates for Interaction of a Jet with High Explosives: Part II -- Clustering Extremely High-Dimensional Grid-Based Data [0.0]
本稿では,高爆薬と相互作用するジェット機のシミュレーションから得られた出力データについて考察する。ランダムなプロジェクションのランダム性と,k平均クラスタリングにおける初期セントロイドの選択を併用して,データセット内のクラスタ数を決定する方法を示す。
論文参考訳（メタデータ） (2023-07-03T23:36:43Z)
Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
論文参考訳（メタデータ） (2023-06-18T08:46:06Z)
Sample efficient graph classification using binary Gaussian boson sampling [0.0]
本稿では,グラフ構造化データを用いた機械学習タスクにおける量子アルゴリズムの変形について述べる。我々の装置は、光子数分解検出器とは対照的に、バイナリ(光/光)検出器のみを必要とする。
論文参考訳（メタデータ） (2023-01-03T17:23:43Z)
A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文参考訳（メタデータ） (2022-01-28T10:01:37Z)
Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
論文参考訳（メタデータ） (2021-04-06T09:21:14Z)
Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
論文参考訳（メタデータ） (2020-09-27T14:16:14Z)
Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文参考訳（メタデータ） (2020-01-06T23:33:31Z)

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。