論文の概要: Complex Networks for Pattern-Based Data Classification
- arxiv url: http://arxiv.org/abs/2503.05772v1
- Date: Tue, 25 Feb 2025 18:36:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-16 09:17:23.823075
- Title: Complex Networks for Pattern-Based Data Classification
- Title（参考訳）: パターンに基づくデータ分類のための複雑なネットワーク
- Authors: Josimar Chire, Khalid Mahmood, Zhao Liang,
- Abstract要約: 本稿では,最小スパンニングツリーと単一ソースショートパスから導出したユニークな手法を用いて,ネットワークに基づく2つの分類手法を提案する。
従来の古典的ハイレベル・機械学習の分類手法と比較して,提案手法の有望な数値結果が得られた。
- 参考スコア（独自算出の注目度）: 1.0445957451908694
- License:
- Abstract: Data classification techniques partition the data or feature space into smaller sub-spaces, each corresponding to a specific class. To classify into subspaces, physical features e.g., distance and distributions are utilized. This approach is challenging for the characterization of complex patterns that are embedded in the dataset. However, complex networks remain a powerful technique for capturing internal relationships and class structures, enabling High-Level Classification. Although several complex network-based classification techniques have been proposed, high-level classification by leveraging pattern formation to classify data has not been utilized. In this work, we present two network-based classification techniques utilizing unique measures derived from the Minimum Spanning Tree and Single Source Shortest Path. These network measures are evaluated from the data patterns represented by the inherent network constructed from each class. We have applied our proposed techniques to several data classification scenarios including synthetic and real-world datasets. Compared to the existing classic high-level and machine-learning classification techniques, we have observed promising numerical results for our proposed approaches. Furthermore, the proposed models demonstrate the following distinguished features in comparison to the previous high-level classification techniques: (1) A single network measure is introduced to characterize the data pattern, eliminating the need to determine weight parameters among network measures. Therefore, the model is largely simplified, while obtaining better classification results. (2) The metrics proposed are sensitive and used for classification with competitive results.
- Abstract（参考訳）: データ分類技術は、データまたは特徴空間を、それぞれ特定のクラスに対応する小さなサブスペースに分割する。
サブスペースに分類するためには、例えば、距離や分布といった物理的な特徴を利用する。
このアプローチは、データセットに埋め込まれた複雑なパターンを特徴づけるのが難しい。
しかし、複雑なネットワークは内部関係とクラス構造を捕捉する強力な技術であり、ハイレベル分類を可能にしている。
複雑なネットワークに基づく分類手法がいくつか提案されているが、パターン形成を利用してデータの分類を行う高レベル分類は利用されていない。
本研究では,最小スパンニング木と単一ソース最短経路から導出したユニークな手法を用いて,ネットワークに基づく2つの分類手法を提案する。
これらのネットワーク測定は、各クラスから構築された固有のネットワークによって表現されるデータパターンから評価される。
提案手法を合成および実世界のデータセットを含むいくつかのデータ分類シナリオに適用した。
従来の古典的ハイレベル・機械学習の分類手法と比較して,提案手法の有望な数値結果が得られた。
さらに,提案手法は,従来のハイレベル分類手法と比較して,次の特徴を示す。(1)データパターンを特徴付ける単一ネットワーク測度を導入し,ネットワーク測度間の重みパラメータを決定する必要をなくす。
したがって、モデルは大きく単純化され、より良い分類結果が得られる。
2) 提案した指標は感度が高く, 競争結果の分類に使用される。
関連論文リスト
- Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - A Network-Based High-Level Data Classification Algorithm Using
Betweenness Centrality [7.3810864598379755]
本稿では、ネットワーク間の重心度尺度を用いた純粋ネットワークに基づくハイレベル分類手法を提案する。
我々は、このモデルを9つの異なる実際のデータセットでテストし、他の9つの伝統的なよく知られた分類モデルと比較する。
論文 参考訳（メタデータ） (2020-09-16T23:14:13Z) - New complex network building methodology for High Level Classification
based on attribute-attribute interaction [0.0]
本稿では,属性の正規化や隠れパターンのキャプチャを必要としない属性-属性相互作用に基づくネットワーク構築手法を提案する。
現在の結果から,現在のハイレベル技術の改善に有効であることが示された。
論文 参考訳（メタデータ） (2020-09-14T21:58:33Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳（メタデータ） (2020-09-08T21:55:22Z) - New feature for Complex Network based on Ant Colony Optimization for
High Level Classification [0.0]
高レベルの分類には、高レベルの特徴、存在パターン、データ間の関係、そして低レベルの特徴と高レベルの特徴を組み合わせて分類する。
本稿では,Ant Colony Systemアプローチに従ってネットワークのアーキテクチャを記述するための新機能を提案する。
論文 参考訳（メタデータ） (2020-08-29T00:22:43Z) - Leveraging Class Hierarchies with Metric-Guided Prototype Learning [5.070542698701158]
多くの分類タスクでは、ターゲットクラスのセットは階層に分類できる。
この構造はクラス間の意味的距離を誘導し、コスト行列の形で要約することができる。
本稿では,この指標を原型ネットワークの監視に組み込むことにより,階層型クラス構造をモデル化することを提案する。
論文 参考訳（メタデータ） (2020-07-06T20:22:08Z) - Conditional Classification: A Solution for Computational Energy
Reduction [2.182419181054266]
本稿では,畳み込みニューラルネットワークモデルの計算複雑性を低減する新しい手法を提案する。
提案手法は,1)入力サンプルを一連の超クラスに分類する粗粒分類,2)最終ラベルを第1ステップで検出した超クラス間で予測する細粒分類の2段階に分類する。
論文 参考訳（メタデータ） (2020-06-29T03:50:39Z) - ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image
Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。
本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。
4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文 参考訳（メタデータ） (2020-06-27T13:50:20Z) - Fine-Grained Visual Classification with Efficient End-to-end
Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。
我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文 参考訳（メタデータ） (2020-05-11T14:07:06Z) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-10T06:11:13Z)
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。