論文の概要: Unsupervised Multi-Clustering and Decision-Making Strategies for 4D-STEM Orientation Mapping

• arxiv url: http://arxiv.org/abs/2503.06699v1
• Date: Sun, 09 Mar 2025 17:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:50:22.190893
• Title: Unsupervised Multi-Clustering and Decision-Making Strategies for 4D-STEM Orientation Mapping
• Title（参考訳）: 4次元STEM配向マッピングのための教師なしマルチクラスタリングと意思決定戦略
• Authors: Junhao Cao, Nicolas Folastre, Gozde Oney, Edgar Rauch, Stavros Nicolopoulos, Partha Pratim Das, Arnaud Demortière,
• Abstract要約: 本研究では、4D-STEMデータセットの高度な解析のための教師なし学習と意思決定戦略の新たな統合を提案する。 提案手法では,頑健かつ解釈可能な配向写像に必要な成分数(k)を決定するための体系的枠組みを導入する。
• 参考スコア（独自算出の注目度）: 1.6061419349801493
• License:
• Abstract: This study presents a novel integration of unsupervised learning and decision-making strategies for the advanced analysis of 4D-STEM datasets, with a focus on non-negative matrix factorization (NMF) as the primary clustering method. Our approach introduces a systematic framework to determine the optimal number of components (k) required for robust and interpretable orientation mapping. By leveraging the K-Component Loss method and Image Quality Assessment (IQA) metrics, we effectively balance reconstruction fidelity and model complexity. Additionally, we highlight the critical role of dataset preprocessing in improving clustering stability and accuracy. Furthermore, our spatial weight matrix analysis provides insights into overlapping regions within the dataset by employing threshold-based visualization, facilitating a detailed understanding of cluster interactions. The results demonstrate the potential of combining NMF with advanced IQA metrics and preprocessing techniques for reliable orientation mapping and structural analysis in 4D-STEM datasets, paving the way for future applications in multi-dimensional material characterization.
• Abstract（参考訳）: 本研究では、4D-STEMデータセットの高度な解析のための教師なし学習と意思決定戦略の新たな統合について,非負行列分解(NMF)を主クラスタリング手法として論じる。 提案手法では,頑健かつ解釈可能な配向写像に必要な成分数(k)を決定するための体系的枠組みを導入する。 K-Component Loss法と画像品質評価(IQA)のメトリクスを利用することで、再構築の忠実度とモデルの複雑さを効果的にバランスさせる。 さらに、クラスタリングの安定性と正確性を改善する上で、データセット前処理が果たす重要な役割を強調します。 さらに,我々の空間重み行列解析は,しきい値に基づく可視化を用いて,データセット内の重なり合う領域の洞察を提供し,クラスタ間相互作用の詳細な理解を容易にする。 その結果,NMF と IQA の高度化と 4D-STEM データセットにおける信頼性指向性マッピングと構造解析のための前処理技術の組み合わせの可能性を示し,多次元材料キャラクタリゼーションにおける将来的な応用の道を開くことができた。

関連論文リスト

• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Graph Neural Network-Driven Hierarchical Mining for Complex Imbalanced Data [0.8246494848934447]
  本研究では,高次元不均衡データの階層的マイニングフレームワークを提案する。 データセットの構造化グラフ表現を構築し、グラフニューラルネットワークの埋め込みを統合することにより、提案手法は、サンプル間のグローバルな相互依存性を効果的にキャプチャする。 複数の実験シナリオにまたがる実証実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-06T06:26:41Z)
• AdaptiveMDL-GenClust: A Robust Clustering Framework Integrating Normalized Mutual Information and Evolutionary Algorithms [0.0]
  我々は,最小記述長(MDL)原理と遺伝的最適化アルゴリズムを組み合わせたロバストクラスタリングフレームワークを提案する。 このフレームワークは、初期クラスタリングソリューションを生成するためのアンサンブルクラスタリングアプローチから始まり、MDL誘導評価関数を使用して洗練され、遺伝的アルゴリズムによって最適化される。 実験の結果,従来のクラスタリング手法を一貫して上回り,精度の向上,安定性の向上,バイアス低減を実現している。
  論文  参考訳（メタデータ） (2024-11-26T20:26:14Z)
• On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
  本研究では,(マルチモーダル)自己教師型表現学習のデータ予測タスクにおいて,連続領域における識別確率モデルについて検討する。 我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。 MISが要求する条件付き確率密度の和を近似する新しい非パラメトリック手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T18:02:46Z)
• Dataset Regeneration for Sequential Recommendation [69.93516846106701]
  DR4SRと呼ばれるモデルに依存しないデータセット再生フレームワークを用いて、理想的なトレーニングデータセットを開発するためのデータ中心のパラダイムを提案する。 データ中心のパラダイムの有効性を示すために、我々はフレームワークを様々なモデル中心の手法と統合し、4つの広く採用されているデータセット間で大きなパフォーマンス改善を観察する。
  論文  参考訳（メタデータ） (2024-05-28T03:45:34Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Quadratic Matrix Factorization with Applications to Manifold Learning [1.6795461001108094]
  本稿では,データセットの配置する曲線多様体を学習するための2次行列分解(QMF)フレームワークを提案する。 アルゴリズムでは,QMFを最適化し,その理論的収束特性を確立するための交代最小化アルゴリズムを提案する。 合成多様体学習データセットとMNIST手書きデータセットと低温電子顕微鏡データセットを含む2つの実データセットの実験は、提案手法が競合相手よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:09:00Z)
• Row-clustering of a Point Process-valued Matrix [2.0391237204597363]
  本稿では,このような行列の対数ガウスコックス過程とクラスタ列をマークした行列について検討する。 点過程の関数主成分分析(FPCA)と組み合わせた半パラメトリック期待解(ES)アルゴリズムをモデル推定のために提案する。 提案手法の有効性をシミュレーション研究と実データ解析により実証した。
  論文  参考訳（メタデータ） (2021-10-04T06:27:26Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Unsupervised learning of disentangled representations in deep restricted kernel machines with orthogonality constraints [15.296955630621566]
  Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。 本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
  論文  参考訳（メタデータ） (2020-11-25T11:40:10Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。