اکسپرس 24
ترجمه فارسی مقاله خوشه‌بندی همسایه‌های تطبیقی ​​تصادفی مضاعف از طریق نگاشت مارکوس

ترجمه فارسی مقاله خوشه‌بندی همسایه‌های تطبیقی ​​تصادفی مضاعف از طریق نگاشت مارکوس

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Doubly Stochastic Adaptive Neighbors Clustering via the Marcus Mapping
عنوان مقاله به فارسی خوشه‌بندی همسایه‌های تطبیقی ​​تصادفی مضاعف از طریق نگاشت مارکوس
نویسندگان Jinghui Yuan, Chusheng Zeng, Fangyuan Xie, Zhe Cao, Mulin Chen, Rong Wang, Feiping Nie, Yuan Yuan
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 12 August, 2024; v1 submitted 5 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 12 اوت 2024 ؛V1 ارسال شده 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 320,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Clustering is a fundamental task in machine learning and data science, and similarity graph-based clustering is an important approach within this domain. Doubly stochastic symmetric similarity graphs provide numerous benefits for clustering problems and downstream tasks, yet learning such graphs remains a significant challenge. Marcus theorem states that a strictly positive symmetric matrix can be transformed into a doubly stochastic symmetric matrix by diagonal matrices. However, in clustering, learning sparse matrices is crucial for computational efficiency. We extend Marcus theorem by proposing the Marcus mapping, which indicates that certain sparse matrices can also be transformed into doubly stochastic symmetric matrices via diagonal matrices. Additionally, we introduce rank constraints into the clustering problem and propose the Doubly Stochastic Adaptive Neighbors Clustering algorithm based on the Marcus Mapping (ANCMM). This ensures that the learned graph naturally divides into the desired number of clusters. We validate the effectiveness of our algorithm through extensive comparisons with state-of-the-art algorithms. Finally, we explore the relationship between the Marcus mapping and optimal transport. We prove that the Marcus mapping solves a specific type of optimal transport problem and demonstrate that solving this problem through Marcus mapping is more efficient than directly applying optimal transport methods.

چکیده به فارسی (ترجمه ماشینی)

خوشه بندی یک کار اساسی در یادگیری ماشین و علم داده است و خوشه بندی مبتنی بر نمودار شباهت یک رویکرد مهم در این دامنه است.نمودارهای شباهت متقارن دو برابر تصادفی مزایای بی شماری را برای مشکلات خوشه بندی و کارهای پایین دست فراهم می کند ، اما یادگیری چنین نمودارهایی یک چالش مهم است.قضیه مارکوس اظهار می دارد که یک ماتریس متقارن کاملاً مثبت می تواند توسط ماتریس مورب به یک ماتریس متقارن دو برابر تبدیل شود.با این حال ، در خوشه بندی ، یادگیری ماتریس های پراکنده برای کارآیی محاسباتی بسیار مهم است.ما قضیه مارکوس را با پیشنهاد نقشه برداری مارکوس گسترش می دهیم ، که نشان می دهد برخی از ماتریس های پراکنده نیز می توانند از طریق ماتریس های مورب به ماتریس متقارن دو برابر تصادفی تبدیل شوند.علاوه بر این ، ما محدودیت های رتبه را در مشکل خوشه بندی معرفی می کنیم و الگوریتم خوشه بندی همسایگان سازگار با همسایگان را بر اساس نقشه برداری مارکوس (ANCMM) پیشنهاد می کنیم.این تضمین می کند که نمودار آموخته شده به طور طبیعی به تعداد دلخواه خوشه ها تقسیم می شود.ما اثربخشی الگوریتم خود را از طریق مقایسه های گسترده با الگوریتم های پیشرفته تأیید می کنیم.سرانجام ، ما رابطه بین نقشه برداری مارکوس و حمل و نقل بهینه را بررسی می کنیم.ما ثابت می کنیم که نقشه برداری مارکوس نوع خاصی از مشکل حمل و نقل بهینه را حل می کند و نشان می دهد که حل این مشکل از طریق نقشه برداری مارکوس از استفاده مستقیم از روشهای حمل و نقل بهینه کارآمدتر است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.