論文の概要: An Adaptive Resonance Theory-based Topological Clustering Algorithm with a Self-Adjusting Vigilance Parameter

• arxiv url: http://arxiv.org/abs/2511.17983v3
• Date: Thu, 27 Nov 2025 17:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 13:46:31.769145
• Title: An Adaptive Resonance Theory-based Topological Clustering Algorithm with a Self-Adjusting Vigilance Parameter
• Title（参考訳）: 自己調整振動パラメータを持つ適応共振理論に基づくトポロジカルクラスタリングアルゴリズム
• Authors: Naoki Masuyama, Yuichiro Toda, Yusuke Nojima, Hisao Ishibuchi,
• Abstract要約: 本稿では,適応共振理論に基づくトポロジカルクラスタリングアルゴリズムを提案する。 多様性駆動適応機構を通じて、再計算間隔と警戒閾値を自律的に調整する。 24の実世界のデータセットに対する実験により、提案アルゴリズムはクラスタリング性能と連続学習能力の両方において最先端の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 6.868495647132414
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clustering in stationary and nonstationary settings, where data distributions remain static or evolve over time, requires models that can adapt to distributional shifts while preserving previously learned cluster structures. This paper proposes an Adaptive Resonance Theory (ART)-based topological clustering algorithm that autonomously adjusts its recalculation interval and vigilance threshold through a diversity-driven adaptation mechanism. This mechanism enables hyperparameter-free learning that maintains cluster stability and continuity in dynamic environments. Experiments on 24 real-world datasets demonstrate that the proposed algorithm outperforms state-of-the-art methods in both clustering performance and continual learning capability. These results highlight the effectiveness of the proposed parameter adaptation in mitigating catastrophic forgetting and maintaining consistent clustering in evolving data streams. Source code is available at https://github.com/Masuyama-lab/IDAT
• Abstract（参考訳）: 定常的および非定常的な設定でのクラスタリングでは、データ分散が静的で、時間とともに進化し続けるため、以前に学習されたクラスタ構造を保存しながら、分散シフトに適応可能なモデルが必要である。 本稿では,適応共振理論に基づくトポロジカルクラスタリングアルゴリズムを提案する。 このメカニズムは、動的環境におけるクラスタの安定性と連続性を維持するハイパーパラメータフリーな学習を可能にする。 24の実世界のデータセットに対する実験により、提案アルゴリズムはクラスタリング性能と連続学習能力の両方において最先端の手法より優れていることが示された。 これらの結果は、進化するデータストリームにおける破滅的忘れを緩和し、一貫したクラスタリングを維持する上で、提案したパラメータ適応の有効性を強調した。 ソースコードはhttps://github.com/Masuyama-lab/IDATで入手できる。

関連論文リスト

• Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
  本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。 textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。 各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
  論文  参考訳（メタデータ） (2025-06-02T08:13:32Z)
• Towards Initialization-Agnostic Clustering with Iterative Adaptive Resonance Theory [8.312275539092466]
  Iterative Refinement Adaptive Resonance Theory (IR-ART)は、3つの重要な位相を統合された反復的フレームワークに統合する。 IR-ARTは、ファジィARTのパラメータ単純性を保ちながら、準最適警戒パラメータ値に対する耐性を向上させる。 ケーススタディは、反復的な改善を通じてアルゴリズムの自己最適化能力を視覚的に確認する。
  論文  参考訳（メタデータ） (2025-05-07T14:12:39Z)
• Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
  本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。 我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
  論文  参考訳（メタデータ） (2025-05-07T11:37:23Z)
• 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)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
  本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。 提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。 実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-08-17T01:34:51Z)
• A Parameter-free Adaptive Resonance Theory-based Topological Clustering Algorithm Capable of Continual Learning [20.995946115633963]
  本稿では,パラメータ推定手法を導入して連続学習が可能な,パラメータフリーのARTに基づく新しいトポロジクラスタリングアルゴリズムを提案する。 合成および実世界のデータセットによる実験結果から,提案アルゴリズムはパラメータの事前特定なしに,最先端のクラスタリングアルゴリズムよりも優れたクラスタリング性能を有することが示された。
  論文  参考訳（メタデータ） (2023-05-01T01:04:07Z)
• Streaming Inference for Infinite Non-Stationary Clustering [9.84413545378636]
  非定常データの連続的なストリームから教師なしの方法で学習することは、知的なエージェントが直面する最も一般的で最も困難な設定の1つであることは間違いない。 ここでは、クラスタリング(混合モデリング)の文脈における3つの条件(教師なし、ストリーミング、非定常)の学習を攻撃する。 我々は、混合モデルに新しいクラスタをオンラインで作成できる新しいクラスタリングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-05-02T21:05:18Z)
• Adaptive Resonance Theory-based Topological Clustering with a Divisive Hierarchical Structure Capable of Continual Learning [8.581682204722894]
  本稿では、データポイントの分布から類似度閾値を自動的に推定する機構を備えたARTベースのトポロジカルクラスタリングアルゴリズムを提案する。 情報抽出性能を向上させるために,連続学習が可能な分割階層クラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-26T02:34:52Z)

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。