論文の概要: Adaptive $k$ Nearest Neighbors Classifier via Granular Ball Computing

• arxiv url: http://arxiv.org/abs/2608.12903v1
• Date: Thu, 13 Aug 2026 07:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.420431
• Title: Adaptive $k$ Nearest Neighbors Classifier via Granular Ball Computing
• Title（参考訳）: Adaptive $k$ Nearest Neighbors Classifier by Granular Ball Computing
• Abstract要約: k$-Nearest Neighbor(KNN)アルゴリズムは様々なタスクで広く使われている。 本稿では,粒度計算による適応的かつ効率的なKNN手法を提案する。
• 参考スコア（独自算出の注目度）: 60.23863579199315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The $k$-Nearest Neighbor~(KNN) algorithm is widely used across various tasks. The selection of the $k$ value is a key issue because it significantly impacts performance. In this paper, an adaptive and efficient KNN approach via granular-ball computing is proposed. The method consists of two stages. \textcolor{black}{In the training stage, the dataset is first coarsely partitioned to reduce the complexity of data distributions within a granular ball, and then the Fisher criterion is introduced to control ball splitting and stopping, yielding a multi-granularity granular ball representation. In the prediction stage, the nearest granular ball is first located through a weighted distance mechanism, and an adaptive neighborhood is then constructed around the test sample. The effective $k$ value is dynamically determined by the actual number of samples contained in this neighborhood. The neighborhood induced by the nearest granular ball provides more stable local group information, thereby improving robustness against noise and local perturbations.} Experimental results demonstrate that the proposed method outperforms existing KNN variants across multiple datasets in terms of both accuracy and efficiency. The code has been open-sourced for reproducibility: https://github.com/lianxiaoyu724/Adaptive-GBKNN.
• Abstract（参考訳）: k$-Nearest Neighbor~(KNN)アルゴリズムは様々なタスクで広く使われている。 k$値の選択は、パフォーマンスに大きく影響するため、重要な問題である。 本稿では,粒度計算による適応的かつ効率的なKNN手法を提案する。 方法は2つの段階からなる。 トレーニング段階では、データセットはまず粗い分割を行い、グラニュラーボール内のデータ分布の複雑さを減らし、続いてフィッシャー基準を導入して、ボールの分割と停止を制御し、多粒度グラニュラーボール表現を生成する。 予測段階では、最寄りの粒状球は、まず重み付き距離機構を介して位置し、次に、試験試料の周囲に適応近傍を構築する。 有効な$k$値は、この地区に含まれるサンプルの実際の数によって動的に決定される。 最寄りの粒状球によって誘導される近傍はより安定した局所群情報を提供し、ノイズや局所摂動に対する堅牢性を向上させる。 実験結果から,提案手法は複数のデータセットにまたがる既存のKNN変種よりも精度と効率の両面で優れていることが示された。 コードは再現性のためにオープンソース化された。 https://github.com/lianxiaoyu724/Adaptive-GBKNN。

関連論文リスト

• Provably Adaptive Linear Approximation for the Shapley Value and Beyond [73.0940890296463]
  基本的で長期にわたる課題は、その効率的な近似である。 一般に用いられるすべての半値に対して$P(|hatboldsymbol-boldsymbol|_2geq)leq$を必要とする線形空間アルゴリズムを開発する。 本アルゴリズムは,各ユーティリティ関数の平均二乗誤差の明示的最小化を可能にする。
  論文  参考訳（メタデータ） (2026-04-09T16:38:14Z)
• Adaptive $k$-nearest neighbor classifier based on the local estimation of the shape operator [49.87315310656657]
  我々は, 局所曲率をサンプルで探索し, 周辺面積を適応的に定義する適応型$k$-nearest(kK$-NN)アルゴリズムを提案する。 多くの実世界のデータセットから、新しい$kK$-NNアルゴリズムは、確立された$k$-NN法と比較してバランスの取れた精度が優れていることが示されている。
  論文  参考訳（メタデータ） (2024-09-08T13:08:45Z)
• Learning conditional distributions on continuous spaces [0.0]
  多次元単位箱上の条件分布のサンプルベース学習について検討する。 我々は2つの異なるクラスタリングスキームを用いる: 1つは固定ラディウス球に基づいており、もう1つは近接する近傍にある。 我々は,ニューラルネットワークのトレーニングに近接する手法を取り入れることを提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:53:47Z)
• Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
  本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。 我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。 RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2022-10-21T15:56:13Z)
• Dynamic Ensemble Selection Using Fuzzy Hyperboxes [10.269997499911668]
  本稿では,FH-DESと呼ばれるファジィハイパーボックスに基づく動的アンサンブル選択(DES)フレームワークを提案する。 各ハイパーボックスは、2つのデータポイント(MinとMaxのコーナー)のみを使用してサンプルのグループを表現することができる。 それまでの融合法では観測されていなかった分類器の能力を評価するために、初めて誤分類されたサンプルが使用される。
  論文  参考訳（メタデータ） (2022-05-20T21:06:46Z)
• DNNR: Differential Nearest Neighbors Regression [8.667550264279166]
  K-nearest neighbors(KNN)は、機械学習において最も早く、最も確立されたアルゴリズムの1つである。 回帰タスクでは、KNNは、多くの課題を引き起こす地区内のターゲットを平均化する。 両問題に同時に対処するDNNR(differial Nearest Neighbors Regression)を提案する。
  論文  参考訳（メタデータ） (2022-05-17T15:22:53Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• Adaptive Nearest Neighbor Machine Translation [60.97183408140499]
  kNN-MTは、事前訓練されたニューラルネットワーク翻訳とトークンレベルのk-nearest-neighbor検索を組み合わせる。 従来のkNNアルゴリズムは、ターゲットトークンごとに同じ数の近傍を検索する。 ターゲットトークン毎のk個数を動的に決定する適応的kNN-MTを提案する。
  論文  参考訳（メタデータ） (2021-05-27T09:27:42Z)
• Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D Edge Alignment [85.32080531133799]
  本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。 エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。 3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
  論文  参考訳（メタデータ） (2020-12-15T11:42:17Z)
• A new hashing based nearest neighbors selection technique for big datasets [14.962398031252063]
  本稿では, 観測対象の近傍に直接近接する近隣住民の選別を可能にする新しい手法を提案する。 提案手法は,データ空間上に構築された仮想グリッドのサブセルにデータ空間を分割する。 提案アルゴリズムは,元のKNNよりも時間効率が良く,予測品質もKNNと同等である。
  論文  参考訳（メタデータ） (2020-04-05T19:36:00Z)

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。