論文の概要: Feature Incremental Clustering with Generalization Bounds
- arxiv url: http://arxiv.org/abs/2603.21590v1
- Date: Mon, 23 Mar 2026 05:35:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.504354
- Title: Feature Incremental Clustering with Generalization Bounds
- Title（参考訳）: 一般化境界を用いた特徴増分クラスタリング
- Authors: Jing Zhang, Chenping Hou,
- Abstract要約: アクティビティ認識システムなどの多くの学習システムでは、インスタンスの属性は徐々に蓄積され、データが徐々に拡大する特徴空間に格納される。
理論的に保証されたアルゴリズムを設計し、この特別なタイプのデータストリームを効果的にクラスタ化する方法(一般にアクティビティ認識と呼ばれる)は、まだ探索されていない。
データアクセスの異なる状況に対応する4種類の特徴増分クラスタリング(FIC)アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 19.418556953260218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many learning systems, such as activity recognition systems, as new data collection methods continue to emerge in various dynamic environmental applications, the attributes of instances accumulate incrementally, with data being stored in gradually expanding feature spaces. How to design theoretically guaranteed algorithms to effectively cluster this special type of data stream, commonly referred to as activity recognition, remains unexplored. Compared to traditional scenarios, we will face at least two fundamental questions in this feature incremental scenario. (i) How to design preliminary and effective algorithms to address the feature incremental clustering problem? (ii) How to analyze the generalization bounds for the proposed algorithms and under what conditions do these algorithms provide a strong generalization guarantee? To address these problems, by tailoring the most common clustering algorithm, i.e., $k$-means, as an example, we propose four types of Feature Incremental Clustering (FIC) algorithms corresponding to different situations of data access: Feature Tailoring (FT), Data Reconstruction (DR), Data Adaptation (DA), and Model Reuse (MR), abbreviated as FIC-FT, FIC-DR, FIC-DA, and FIC-MR. Subsequently, we offer a detailed analysis of the generalization error bounds for these four algorithms and highlight the critical factors influencing these bounds, such as the amounts of training data, the complexity of the hypothesis space, the quality of pre-trained models, and the discrepancy of the reconstruction feature distribution. The numerical experiments show the effectiveness of the proposed algorithms, particularly in their application to activity recognition clustering tasks.
- Abstract（参考訳）: アクティビティ認識システムなどの多くの学習システムでは、様々な動的環境アプリケーションに新たなデータ収集手法が登場し続けており、インスタンスの属性は徐々に蓄積され、データが徐々に拡大する特徴空間に格納される。
理論的に保証されたアルゴリズムを設計し、この特別なタイプのデータストリームを効果的にクラスタ化する方法(一般にアクティビティ認識と呼ばれる)は、まだ探索されていない。
従来のシナリオと比較して、この機能のインクリメンタルシナリオでは、少なくとも2つの基本的な疑問に直面します。
(i)機能インクリメンタルクラスタリング問題に対処するための予備的かつ効果的なアルゴリズムを設計する方法。
(II)提案アルゴリズムの一般化境界をどう解析し、どのような条件下でこれらのアルゴリズムが強力な一般化保証を提供するか。
これらの問題に対処するために、最も一般的なクラスタリングアルゴリズムである$k$-meansを例えば、データアクセスの異なる状況に対応する4種類の機能インクリメンタルクラスタリング(FIC)アルゴリズムを提案する。
次に、これらの4つのアルゴリズムの一般化誤差境界を詳細に解析し、トレーニングデータの量、仮説空間の複雑さ、事前学習されたモデルの質、再構成特徴分布の相違など、これらの境界に影響を与える臨界因子を明らかにする。
数値実験により,提案アルゴリズムの有効性,特に活動認識クラスタリングタスクへの応用が示された。
関連論文リスト
- Accelerating Spectral Clustering under Fairness Constraints [56.865810822418744]
本研究では,Fair SC問題を凸関数(DC)フレームワークの差内にキャストすることで,フェアスペクトルクラスタリング(Fair SC)のための新しい効率的な手法を提案する。
本研究では,各サブプロブレムを効率よく解き,計算効率が先行処理よりも高いことを示す。
論文 参考訳（メタデータ） (2025-06-09T18:46:27Z) - A Unifying Family of Data-Adaptive Partitioning Algorithms [0.0]
本稿では、いくつかのよく知られた手法を統一するデータ適応分割アルゴリズムのファミリーを示す。
アルゴリズムは使いやすく、解釈しやすく、大規模で高次元の問題によく対応している。
論文 参考訳（メタデータ） (2024-12-21T17:54:53Z) - Unlock the Power of Algorithm Features: A Generalization Analysis for Algorithm Selection [25.29451529910051]
本稿では,アルゴリズムの特徴に基づくアルゴリズム選択の証明可能な最初の保証を提案する。
アルゴリズムの特徴に関連する利点とコストを分析し、一般化誤差が様々な要因にどのように影響するかを考察する。
論文 参考訳（メタデータ） (2024-05-18T17:38:25Z) - A Hierarchical Federated Learning Approach for the Internet of Things [3.28418927821443]
大規模IoTデプロイメントに適した新しいフェデレーション学習ソリューションQHetFedを提案する。
我々は,QHetFedが常に高い学習精度を達成し,他の階層的アルゴリズムよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2024-03-03T15:40:24Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳（メタデータ） (2023-07-26T16:19:19Z) - Multivariate Systemic Risk Measures and Computation by Deep Learning
Algorithms [63.03966552670014]
本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。
私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
論文 参考訳（メタデータ） (2023-02-02T22:16:49Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - DAC: Deep Autoencoder-based Clustering, a General Deep Learning
Framework of Representation Learning [0.0]
dac,deep autoencoder-based clustering,深層ニューロンネットワークを用いてクラスタリング表現を学ぶためのデータ駆動フレームワークを提案する。
実験結果から,KMeansクラスタリングアルゴリズムの性能をさまざまなデータセット上で効果的に向上させることができた。
論文 参考訳（メタデータ） (2021-02-15T11:31:00Z)
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。