Fugu-MT 論文翻訳(概要): Incremental Gaussian Mixture Clustering for Data Streams

論文の概要: Incremental Gaussian Mixture Clustering for Data Streams

arxiv url: http://arxiv.org/abs/2412.07217v1
Date: Tue, 10 Dec 2024 06:15:14 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-11 14:35:37.014205
Title: Incremental Gaussian Mixture Clustering for Data Streams
Title（参考訳）: データストリームのための増分ガウス混合クラスタリング
Authors: Aniket Bhanderi, Raj Bhatnagar,
Abstract要約: 本稿では,ストリーミングデータセット内のクラスタと異常なデータポイントを見つけるアルゴリズムの効果的な動作を提示し,実証する。クラスタが形成されると、既知のすべてのクラスタから遠くに現れる異常なデータポイントも特定します。
参考スコア（独自算出の注目度）: 0.08192907805418582
License:
Abstract: The problem of analyzing data streams of very large volumes is important and is very desirable for many application domains. In this paper we present and demonstrate effective working of an algorithm to find clusters and anomalous data points in a streaming datasets. Entropy minimization is used as a criterion for defining and updating clusters formed from a streaming dataset. As the clusters are formed we also identify anomalous datapoints that show up far away from all known clusters. With a number of 2-D datasets we demonstrate the effectiveness of discovering the clusters and also identifying anomalous data points.
Abstract（参考訳）: 非常に大きなボリュームのデータストリームを分析するという問題は重要であり、多くのアプリケーションドメインにとって非常に望ましい。本稿では,ストリーミングデータセット内のクラスタや異常なデータポイントを見つけるアルゴリズムを効果的に構築し,実証する。エントロピーの最小化は、ストリーミングデータセットから生成されたクラスタを定義および更新するための基準として使用される。クラスタが形成されると、既知のすべてのクラスタから遠くに現れる異常なデータポイントも特定します。多数の2次元データセットを用いて、クラスタの検出と異常なデータポイントの同定の有効性を示す。

関連論文リスト

Hierarchical Sparse Representation Clustering for High-Dimensional Data Streams [16.228652652243888]
本稿では,高次元データストリームをクラスタリングするための階層的スパース表現クラスタリング法を提案する。いくつかのベンチマークデータセットで得られた実験結果は、HSRCの有効性とロバスト性を示している。
論文参考訳（メタデータ） (2024-09-07T03:40:55Z)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文参考訳（メタデータ） (2023-08-13T18:12:28Z)
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)
Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文参考訳（メタデータ） (2023-05-12T03:01:41Z)
Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。本稿では,データ拡張を必要としない手法を提案する。
論文参考訳（メタデータ） (2023-03-29T08:23:26Z)
Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy Granular balls [67.33923111887933]
本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
論文参考訳（メタデータ） (2023-03-07T01:52:55Z)
Inv-SENnet: Invariant Self Expression Network for clustering under biased data [17.25929452126843]
本研究では,各サブ空間におけるデータポイントのクラスタ化を学習しながら,不要な属性(バイアス)を共同で除去する新しいフレームワークを提案する。合成および実世界のデータセットに対する実験結果から,本手法の有効性が示された。
論文参考訳（メタデータ） (2022-11-13T01:19:06Z)
Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。これは異常検出とは違い、その目標は異常を通常のデータから分割することである。パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
論文参考訳（メタデータ） (2021-12-21T23:11:33Z)
Clustering Plotted Data by Image Segmentation [12.443102864446223]
クラスタリングアルゴリズムは、ラベルなしデータのパターンを検出する主要な分析手法の1つである。本稿では,人間のクラスタリングデータに着想を得た,2次元空間におけるクラスタリングポイントの全く異なる方法を提案する。私たちのアプローチであるVisual Clusteringは、従来のクラスタリングアルゴリズムよりもいくつかのアドバンテージを持っています。
論文参考訳（メタデータ） (2021-10-06T06:19:30Z)
Data Stream Clustering: A Review [0.0]
クラスタリングはリアルタイムデータストリーム処理に最も適した手法の1つである。我々は、最近のデータストリームクラスタリングアルゴリズムをレビューし、ベースクラスタリング手法、計算複雑性、クラスタリング精度の観点から分析する。一般的なデータストリームレポジトリとデータセット、ストリーム処理ツール、プラットフォームを示します。
論文参考訳（メタデータ） (2020-07-16T20:35:09Z)

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。