論文の概要: CoSeNet: A Novel Approach for Optimal Segmentation of Correlation Matrices

• arxiv url: http://arxiv.org/abs/2512.21000v1
• Date: Wed, 24 Dec 2025 06:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.705521
• Title: CoSeNet: A Novel Approach for Optimal Segmentation of Correlation Matrices
• Title（参考訳）: CoSeNet:相関行列の最適セグメンテーションのための新しいアプローチ
• Authors: Alberto. Palomo-Alonso, David Casillas-Perez, Silvia Jimenez-Fernandez, Antonio Portilla-Figueras, Sancho Salcedo-Sanz,
• Abstract要約: 提案したモデルはCoSeNetと呼ばれ、4層アルゴリズムアーキテクチャに基づいている。 このモデルは、そのような行列における相関セグメントを、類似した問題に対する以前のアプローチよりも効果的に識別することができる。 モデルの出力は、最適セグメンテーションとセグメンテーションポイントを表す二項ノイズフリー行列である。
• 参考スコア（独自算出の注目度）: 3.177209535397463
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we propose a novel approach for the optimal identification of correlated segments in noisy correlation matrices. The proposed model is known as CoSeNet (Correlation Seg-mentation Network) and is based on a four-layer algorithmic architecture that includes several processing layers: input, formatting, re-scaling, and segmentation layer. The proposed model can effectively identify correlated segments in such matrices, better than previous approaches for similar problems. Internally, the proposed model utilizes an overlapping technique and uses pre-trained Machine Learning (ML) algorithms, which makes it robust and generalizable. CoSeNet approach also includes a method that optimizes the parameters of the re-scaling layer using a heuristic algorithm and fitness based on a Window Difference-based metric. The output of the model is a binary noise-free matrix representing optimal segmentation as well as its seg-mentation points and can be used in a variety of applications, obtaining compromise solutions between efficiency, memory, and speed of the proposed deployment model.
• Abstract（参考訳）: 本稿では,雑音相関行列における相関セグメントの最適同定のための新しい手法を提案する。 提案したモデルはCoSeNet(Correlation Seg-mentation Network)と呼ばれ、入力層、フォーマット層、再スケーリング層、セグメンテーション層を含む4層アルゴリズムアーキテクチャに基づいている。 提案モデルでは, 類似問題に対する従来の手法よりも優れた相関セグメントを効果的に同定することができる。 内部的には、提案モデルはオーバーラップ技術を使用し、事前学習された機械学習(ML)アルゴリズムを用いて、堅牢で一般化できる。 CoSeNetアプローチには、ウィンドウ差分に基づくメトリクスに基づいたヒューリスティックアルゴリズムとフィットネスを使用して、再スケーリング層のパラメータを最適化するメソッドも含まれている。 モデルの出力は、最適セグメンテーションとセグメンテーションポイントを表す二項ノイズフリー行列であり、様々なアプリケーションで利用でき、提案した展開モデルの効率、メモリ、速度の妥協解が得られる。

関連論文リスト

• Simulation-Based Fitting of Intractable Models via Sequential Sampling and Local Smoothing [0.0]
  このアルゴリズムは、ソリューションの領域を特定することを目的としたグローバル検索フェーズと、準線形推定器を計算するためのフィッシャースコアリングアルゴリズムの信頼領域バージョンを模倣したローカル検索フェーズを組み合わせる。 このアルゴリズムを実装したRパッケージは、CRANで入手できる。
  論文  参考訳（メタデータ） (2025-11-11T12:43:18Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• Optimal Variable Clustering for High-Dimensional Matrix Valued Data [3.1138411427556445]
  本稿では,行列形式で配置された特徴に対して,新しい潜在変数モデルを提案する。 軽度条件下では,高次元設定でクラスタリングの整合性が得られる。 この重みを使用すれば、アルゴリズムが最小値の速度最適化であることが保証されるという意味で、最適な重みを識別する。
  論文  参考訳（メタデータ） (2021-12-24T02:13:04Z)
• An iterative clustering algorithm for the Contextual Stochastic Block Model with optimality guarantees [4.007017852999008]
  本稿では,ノードの側情報を持つクラスタネットワークに対して,新たな反復アルゴリズムを提案する。 このアルゴリズムは文脈対称性ブロックモデルの下で最適であることを示す。
  論文  参考訳（メタデータ） (2021-12-20T12:04:07Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Kernel Clustering with Sigmoid-based Regularization for Efficient Segmentation of Sequential Data [3.8326963933937885]
  セグメント化は、データシーケンスを非線形で複雑な構造を持つ複数の重複しないセグメントに分割することを目的としている。 この問題を最適に解決するための一般的なカーネルは動的プログラミング(DP)である。 最適セグメンテーションを近似するために多くのアルゴリズムが提案されているが、それらの解の品質は保証されていない。
  論文  参考訳（メタデータ） (2021-06-22T04:32:21Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)

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。