ترجمه شماره 10 - یک الگوریتم بهبود یافته برای خوشه‌بندی واحد آنلاین

An Improved Algorithm for Online Unit Clustering

یک الگوریتم بهبود یافته برای خوشه‌بندی واحد آنلاین

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 12 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15000 تومان

چکیده

ما مسئله‌ی خوشه‌بندی واحد آنلاین که اخیراً در WAOA’06 معرفی کردیم را در یک بعد بررسی می‌کنیم: با داشتن یک دنباله از n نقطه روی خط، هدف، بخش‌بندی نقاط به حداقل تعداد زیرمجموعه‌هایی است که هر یک در یک بازه‌ی واحد قرار بگیرند. ما یک الگوریتم تصادفی‌شده‌ی آنلاین ارائه می‌کنیم که به نرخ رقابتی مورد انتظار 11/6 در مقابل حریفان فراموشکار دست می‌یابد و نرخ قبلی 15/8 را بهبود می‌بخشد. این کار، به سرعت منجر به حدود بالای بهبود یافته برای مسئله در دو بعد یا بیشتر می‌شود.

ترجمه شماره 9 – استخراج سلسله‌مراتبی ویژگی فضایی و زمانی با استفاده از خوشه‌بندی آنلاین بازگشت کننده

Hierarchical spatiotemporal feature extraction using recurrent online clustering

استخراج سلسله‌مراتبی ویژگی فضایی و زمانی با استفاده از خوشه‌بندی آنلاین بازگشت کننده

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 22 صفحه

دانلود اصل مقاله – رایگان

قیمت : 25000 تومان

مقدمه

یادگیری عمیق ماشین، یک چارچوب جامع برای استخراج ویژگی‌های معنادار از مشاهدات پیچیده به شیوه‌ای بدون نظارت فراهم می‌آورد. اکثریت معماری‌های عمیق یادگیری توصیف شده در ادبیات، اصولاً روی استخراج ویژگی‌های فضایی تمرکز دارند. با این حال، در دنیای واقعی، دریافت وابستگی‌های زمانی در مشاهدات برای ارجاع دقیق، حیاتی است. این مقاله، یک بهبود برای DeSTIN معرفی می‌کند که یک معماری عمیق یادگیری ترکیبی است که هر لایه‌ی آن شامل چندین نمونه از یک گره‌ی عادی است که برای نمایش الگوهای فضایی و زمانی در داده‌ها بر اساس یک الگوریتم خوشه‌بندی بازگشت کننده‌ی جدید یاد می‌گیرد. بر خلاف معماری‌های عمیق اصلی مثل شبکه‌هایی با اعتقاد قوی که آموزش لایه به لایه فرض می‌شود، هر گره در معماری پیشنهادی به طور مستقل و به موازات آموزش می‌بینند. به علاوه، جریان اطلاعات بالا به پایین و پایین به بالا، به ساده‌سازی شکل‌گیری ویژگی‌های غنی کمک می‌کند. یک تنظیم نیمه نظارت با دستیابی به نتایج جدید روی بنچ مارک طبقه‌بندی MNIST نشان داده می‌شود. یک پیاده‌سازی GPU بعداً با تأکید بر ویژگی‌های مقیاس‌پذیری چارچوب پیشنهادی بحث می‌شود.