日本語タイトル#
無監督オンライン学習における重複多変量ガウスクラスタの測定
英文タイトル#
Measures of Overlapping Multivariate Gaussian Clusters in Unsupervised Online Learning
日本語要約#
本論文では、多変量ガウスクラスタにおける重複を検出するための新しい測定方法を提案します。データストリームからのオンライン学習の目的は、ストリーミングデータの概念の漂流に基づいて時間とともに適応できるクラスタリング、分類、または回帰モデルを作成することです。クラスタリングの場合、これは重複する可能性のある多数のクラスタを生じさせ、これらは統合されるべきです。一般的に使用される分布の非類似性測定は、すべての形状のクラスタを考慮できず、計算要求が高いため、ストリーミングデータからのオンライン学習の文脈で重複クラスタを特定するには不十分です。私たちが提案する非類似性測定は、非類似性ではなく重複を検出するために特別に設計されており、既存の測定と比較してより迅速に計算できます。私たちの方法は比較手法よりも数倍速く、直交クラスタの統合を避けながら重複クラスタを検出することができます。
英文要約#
In this paper, we propose a new measure for detecting overlap in multivariate Gaussian clusters. The aim of online learning from data streams is to create clustering, classification, or regression models that can adapt over time based on the conceptual drift of streaming data. In the case of clustering, this can result in a large number of clusters that may overlap and should be merged. Commonly used distribution dissimilarity measures are not adequate for determining overlapping clusters in the context of online learning from streaming data due to their inability to account for all shapes of clusters and their high computational demands. Our proposed dissimilarity measure is specifically designed to detect overlap rather than dissimilarity and can be computed faster compared to existing measures. Our method is several times faster than compared methods and is capable of detecting overlapping clusters while avoiding the merging of orthogonal clusters.
文章ページ#
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを確認