論文の概要: Consistent Amortized Clustering via Generative Flow Networks

• arxiv url: http://arxiv.org/abs/2502.19337v1
• Date: Wed, 26 Feb 2025 17:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:58:41.159215
• Title: Consistent Amortized Clustering via Generative Flow Networks
• Title（参考訳）: 生成フローネットワークによる一貫性の補正クラスタリング
• Authors: Irit Chelly, Roy Uziel, Oren Freifeld, Ari Pakman,
• Abstract要約: 本稿では,アモータイズクラスタリングのための新しいフレームワークであるGFNCPを紹介する。 GFNCPは、政策と報酬の共有エネルギーベースのパラメトリゼーションを備えた生成フローネットワークとして定式化されている。 流れの一致条件は, 境界条件下でのクラスタリング後部の整合性に等しいことを示す。
• 参考スコア（独自算出の注目度）: 6.9158153233702935
• License:
• Abstract: Neural models for amortized probabilistic clustering yield samples of cluster labels given a set-structured input, while avoiding lengthy Markov chain runs and the need for explicit data likelihoods. Existing methods which label each data point sequentially, like the Neural Clustering Process, often lead to cluster assignments highly dependent on the data order. Alternatively, methods that sequentially create full clusters, do not provide assignment probabilities. In this paper, we introduce GFNCP, a novel framework for amortized clustering. GFNCP is formulated as a Generative Flow Network with a shared energy-based parametrization of policy and reward. We show that the flow matching conditions are equivalent to consistency of the clustering posterior under marginalization, which in turn implies order invariance. GFNCP also outperforms existing methods in clustering performance on both synthetic and real-world data.
• Abstract（参考訳）: 補正確率クラスタリングのためのニューラルモデルでは、クラスタラベルに設定された入力を付与すると同時に、長いマルコフ連鎖の実行と明示的なデータ可能性の必要性を回避することができる。 ニューラルクラスタリングプロセスのように、各データポイントをシーケンシャルにラベル付けする既存のメソッドは、しばしばデータ順序に大きく依存するクラスタ割り当てにつながる。 あるいは、完全なクラスタをシーケンシャルに生成するメソッドは、割り当て確率を提供しない。 本稿では,アモルト化クラスタリングのための新しいフレームワークであるGFNCPを紹介する。 GFNCPは、政策と報酬の共有エネルギーベースのパラメトリゼーションを備えた生成フローネットワークとして定式化されている。 フローマッチング条件は, 境界条件下でのクラスタリング後部の整合性に等価であることを示し, 次数不変性を示す。 GFNCPは、合成データと実世界のデータの両方でクラスタリング性能において、既存の手法よりも優れています。

関連論文リスト

• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Deep Embedding Clustering Driven by Sample Stability [16.53706617383543]
  サンプル安定性(DECS)により駆動されるディープ埋め込みクラスタリングアルゴリズムを提案する。 具体的には、まずオートエンコーダで初期特徴空間を構築し、次にサンプル安定性に制約されたクラスタ指向の埋め込み機能を学ぶ。 5つのデータセットに対する実験結果から,提案手法は最先端のクラスタリング手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-01-29T09:19:49Z)
• 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)
• An Improved Algorithm for Clustered Federated Learning [29.166363192740768]
  本稿では、フェデレートラーニング(FL)における異種モデル間の二分法と同時学習について述べる。 ユーザの(最適)局所モデルに基づいてFLの新しいクラスタリングモデルを定義する。 textttSR-FCAは、クラスタ内の堅牢な学習アルゴリズムを使用して、同時トレーニングとクラスタエラーの修正を行う。
  論文  参考訳（メタデータ） (2022-10-20T19:14:36Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Robust Hierarchical Clustering for Directed Networks: An Axiomatic Approach [13.406858660972551]
  有向ネットワークに対するロバストな階層的クラスタリング手法の完全な分類学的特徴を提供する。 本稿では,階層クラスタリングにおけるロバスト性に関連する3つの実用的特性について紹介する。 また,本手法の実装に対処し,実データへのアプリケーション記述を行う。
  論文  参考訳（メタデータ） (2021-08-16T17:28:21Z)
• Neural Mixture Models with Expectation-Maximization for End-to-end Deep Clustering [0.8543753708890495]
  本稿では,ニューラルネットワークを用いた混合モデルに基づくクラスタリングを実現する。 我々は,Eステップとして前方パス,Mステップとして後方パスを動作させるバッチワイズEMイテレーションにより,ネットワークのエンドツーエンドをトレーニングする。 トレーニングされたネットワークは、k-meansに依存した単一ステージのディープクラスタリング手法よりも優れています。
  論文  参考訳（メタデータ） (2021-07-06T08:00:58Z)
• Very Compact Clusters with Structural Regularization via Similarity and Connectivity [3.779514860341336]
  本稿では,汎用データセットのためのエンドツーエンドのディープクラスタリングアルゴリズムであるVery Compact Clusters (VCC)を提案する。 提案手法は,最先端のクラスタリング手法よりも優れたクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2021-06-09T23:22:03Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。