論文の概要: Hypernetwork-based approach for grid-independent functional data clustering

• arxiv url: http://arxiv.org/abs/2602.22823v1
• Date: Thu, 26 Feb 2026 10:05:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.638068
• Title: Hypernetwork-based approach for grid-independent functional data clustering
• Title（参考訳）: グリッド非依存型関数型データクラスタリングのためのハイパーネットワークベースのアプローチ
• Authors: Anirudh Thatipelli, Ali Siahkoohi,
• Abstract要約: 本稿では,離散化関数の観測結果を,自動符号化アーキテクチャを用いて固定次元ベクトル空間にマッピングするフレームワークを提案する。 エンコーダは、座標値対を暗黙の神経表現の重み空間にマッピングするハイパーネットワークである。 高次元環境下での合成および実世界の実験により,競合クラスタリング性能を実証した。
• 参考スコア（独自算出の注目度）: 3.142113135607563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Functional data clustering is concerned with grouping functions that share similar structure, yet most existing methods implicitly operate on sampled grids, causing cluster assignments to depend on resolution, sampling density, or preprocessing choices rather than on the underlying functions themselves. To address this limitation, we introduce a framework that maps discretized function observations -- at arbitrary resolution and on arbitrary grids -- into a fixed-dimensional vector space via an auto-encoding architecture. The encoder is a hypernetwork that maps coordinate-value pairs to the weight space of an implicit neural representation (INR), which serves as the decoder. Because INRs represent functions with very few parameters, this design yields compact representations that are decoupled from the sampling grid, while the hypernetwork amortizes weight prediction across the dataset. Clustering is then performed in this weight space using standard algorithms, making the approach agnostic to both the discretization and the choice of clustering method. By means of synthetic and real-world experiments in high-dimensional settings, we demonstrate competitive clustering performance that is robust to changes in sampling resolution -- including generalization to resolutions not seen during training.
• Abstract（参考訳）: 関数型データクラスタリングは、同様の構造を共有するグループ化関数に関するものであるが、既存のほとんどのメソッドは、暗黙的にサンプリングされたグリッド上で動作し、クラスタ割り当ては、基盤となる関数自体よりも、解像度、サンプリング密度、あるいは前処理の選択に依存する。 この制限に対処するために、離散化された関数の観測を任意の解像度で、任意のグリッド上で、自動エンコードアーキテクチャを介して固定次元ベクトル空間にマッピングするフレームワークを導入する。 エンコーダは、座標値対を暗黙の神経表現(INR)の重み空間にマッピングし、デコーダとして機能するハイパーネットワークである。 INRは非常に少ないパラメータを持つ関数を表すため、この設計ではサンプリンググリッドから切り離されたコンパクトな表現が得られ、ハイパーネットワークはデータセット全体の重量予測を補正する。 クラスタリングは、標準アルゴリズムを用いてこの重み空間で実行され、離散化とクラスタリング法の選択の両方にアプローチを依存しない。 高次元環境での合成および実世界の実験により、トレーニング中に見えない解像度への一般化を含むサンプリング解像度の変化に対して堅牢な競合クラスタリング性能を実証する。

関連論文リスト

• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• 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)
• 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)
• CoHiRF: A Scalable and Interpretable Clustering Framework for High-Dimensional Data [0.30723404270319693]
  課題を効果的に解決する新しいクラスタリング手法であるCoHiRF(Consensus Hierarchical Random Feature)を提案する。 CoHiRFは、ランダムな特徴選択を利用してノイズと次元効果を緩和し、縮小された特徴空間にK平均クラスタリングを繰り返し適用し、全一致のコンセンサス基準で結果を組み合わせる。 CoHiRFはK-Meansに匹敵する実行時間で計算効率が高く、大規模データセットにスケーラブルで、SC-SRGF、HDBSCAN、OPTICSといった最先端の手法に対して堅牢な性能を示す。
  論文  参考訳（メタデータ） (2025-02-01T09:38:44Z)
• A Dirichlet stochastic block model for composition-weighted networks [0.0]
  合成重みベクトルの直接モデリングに基づく合成重み付きネットワークのブロックモデルを提案する。 推論は分類期待-最大化アルゴリズムの拡張によって実装される。 このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
  論文  参考訳（メタデータ） (2024-08-01T15:41:07Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Image Clustering using an Augmented Generative Adversarial Network and Information Maximization [9.614694312155798]
  本稿では,GAN (Modified Generative Adversarial Network) と補助分類器からなるディープクラスタリングフレームワークを提案する。 提案手法は, CIFAR-10 と CIFAR-100 のクラスタリング手法を著しく上回り, STL10 と MNIST のデータセットと競合する。
  論文  参考訳（メタデータ） (2020-11-08T22:20:33Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。