ترجمه فارسی مقاله TANGO: خوشه‌بندی با بهینه‌سازی حالت غیرمحلی و برش نموداری با آگاهی از نوع‌شناسی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی TANGO: Clustering with Typicality-Aware Nonlocal Mode-Seeking and Graph-Cut Optimization
عنوان مقاله به فارسی TANGO: خوشه‌بندی با بهینه‌سازی حالت غیرمحلی و برش نموداری با آگاهی از نوع‌شناسی
نویسندگان Haowen Ma, Zhiguo Long, Hua Meng
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 19 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Density-based clustering methods by mode-seeking usually achieve clustering by using local density estimation to mine structural information, such as local dependencies from lower density points to higher neighbors. However, they often rely too heavily on \emph{local} structures and neglect \emph{global} characteristics, which can lead to significant errors in peak selection and dependency establishment. Although introducing more hyperparameters that revise dependencies can help mitigate this issue, tuning them is challenging and even impossible on real-world datasets. In this paper, we propose a new algorithm (TANGO) to establish local dependencies by exploiting a global-view \emph{typicality} of points, which is obtained by mining further the density distributions and initial dependencies. TANGO then obtains sub-clusters with the help of the adjusted dependencies, and characterizes the similarity between sub-clusters by incorporating path-based connectivity. It achieves final clustering by employing graph-cut on sub-clusters, thus avoiding the challenging selection of cluster centers. Moreover, this paper provides theoretical analysis and an efficient method for the calculation of typicality. Experimental results on several synthetic and $16$ real-world datasets demonstrate the effectiveness and superiority of TANGO.

چکیده به فارسی (ترجمه ماشینی)

روشهای خوشه بندی مبتنی بر چگالی با استفاده از حالت ، معمولاً با استفاده از برآورد چگالی محلی به اطلاعات ساختاری مین ، مانند وابستگی های محلی از نقاط چگالی پایین به همسایگان بالاتر ، به خوشه بندی می رسند.با این حال ، آنها غالباً بیش از حد به ساختارهای محلی {محلی متکی هستند و از ویژگی های جهانی غفلت می کنند ، که می تواند منجر به خطاهای قابل توجهی در انتخاب اوج و استقرار وابستگی شود.اگرچه معرفی هایپرپارامترهای بیشتری که وابستگی ها را تجدید نظر می کنند می توانند به کاهش این مسئله کمک کنند ، تنظیم آنها در مجموعه داده های دنیای واقعی چالش برانگیز و حتی غیرممکن است.در این مقاله ، ما یک الگوریتم جدید (TANGO) را برای ایجاد وابستگی های محلی با بهره برداری از یک نمای جهانی \ itm {معمولی} از نقاط پیشنهاد می کنیم ، که با استخراج بیشتر توزیع چگالی و وابستگی های اولیه بدست می آید.سپس تانگو با کمک وابستگی های تنظیم شده ، کلاسترهای زیر را بدست می آورد و با ترکیب اتصال مبتنی بر مسیر ، شباهت بین زیر اتمام را مشخص می کند.با استفاده از برش نمودار بر روی کلادهای زیر ، به خوشه بندی نهایی می رسد ، بنابراین از انتخاب چالش برانگیز مراکز خوشه ای جلوگیری می کند.علاوه بر این ، این مقاله تجزیه و تحلیل نظری و یک روش کارآمد برای محاسبه معمولی را ارائه می دهد.نتایج تجربی در چندین مجموعه داده مصنوعی و 16 دلار واقعی در دنیای واقعی ، اثربخشی و برتری تانگو را نشان می دهد.

📚 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.