自组织映射中的拓扑投影最小监督学习

Jan, 2024

自组织映射中的拓扑投影最小监督学习

Minimally Supervised Learning using Topological Projections in Self-Organizing Maps

Zimeng Lyu, Alexander Ororbia, Rui Li, Travis Desell

TL;DR我们提出了一种基于自组织映射中的拓扑投射的半监督学习方法，通过利用大规模未标记数据集中的信息，显著减少了进行参数预测所需的标记数据点数量，从而有效降低了在某些领域（如电力系统、医学和工程学）中获取地面实况标记的成本。

Abstract

parameter prediction is essential for many applications, facilitating insightful interpretation and decision-making. However, in many real life domains, such as power systems, medicine, and engineering, it can be very expensive to acquire ground truth labels for certain datasets as the

parameter prediction semi-supervised learning topological projections self-organizing maps labeled data

发现论文，激发创造

自组织映射的最小监督拓扑投射用于飞行阶段识别

飞行阶段的识别对通用航空领域非常重要，该研究采用了一种新方法来减少监督的自组织映射 (MS-SOMs) 来进行阶段识别，结果表明该方法只需每类 30 个标记数据点就能达到或超过标签数据全文件的普通自组织映射方法的效果，并且对于飞行阶段数据的类别不平衡具有更强的健壮性。这些结果突出了有效识别飞行阶段所需的数据量很少。

Feb, 2024

利用自组织映射（SOMs）对等离子体子团不稳定性的完全动力学模拟进行无监督分类

本文介绍了如何利用基于自组织映射（Self-Organizing Maps，SOM）的聚类方法来分析近期产生的空间物理过程的大量仿真和观测数据，并得出了聚类图，该图可以很好地定位整个过程中各个区域的特征，因此该方法是一种有前途的数据分析工具，可以用于空间物理过程的仿真和观测数据的分析。

Apr, 2023

非欧几里得自组织映射

本文提出了一种应用于非欧式几何的 SOM 算法，其拓扑相关扩展改善了传统 SOM 算法，可用于维度约简、聚类或在大数据中寻找相似性。

Sep, 2021

一种确定性自组织映射方法及其在基于卫星数据的云类型分类中的应用

本篇研究探讨了一种补充标准自组织映射的确定性方法，并通过卫星云数据的实验结果，展示了这种方法在数据组织和简化方面的有效性和高效性。

Aug, 2018

异步训练的分布式拓扑地图

提出一种基于自主单元、分布式异步训练、电路驱动的权重更新方案以及启发式搜索的算法，使得拓扑特征图的训练在无需中央控制和同步执行的条件下实现，可进行可扩展的大规模数据集处理，同时实验结果表明算法在多个数据集上的分类任务中性能表现稳定。

Jan, 2023

半监督学习的拓扑方法

本文基于拓扑数据分析 (Topological Data Analysis,TDA) 技术提出了两种半监督学习方法，一种基于骨架結构和水斗距离，另一种考虑数据的连通性，并将其应用于三个综合数据集和七个各色各样的结构体和图像数据集，实验结果表明，这些半监督方法能够有效地提高数据分类准确性达到 16%。

May, 2022

基于神经仿生无任务无监督在线学习的自维持映射模型

持续学习中的难题是灾难性遗忘，特别是在人工神经网络（ANNs）等无监督架构中，我们提出了一种称为连续自组织映射（CSOM）的泛化模型来解决这一问题。CSOM 在低内存预算下实现在线无监督学习，在多个基准测试中获得了准确性提高近两倍以及用于自动类别增量学习设置的最新技术成果。

Feb, 2024

评估自组织映射可靠性的统计工具

本文介绍了一些工具，用于测试特定自组织映射结果的置信度，测量自组织映射的量化误差和邻域关系，并且这些工具还可以用于客观测量自组织映射与其他神经网络模型相比更不敏感的情况。

Jan, 2007

学习使用不确定拓扑地图进行规划

本文采用一种数据驱动的策略和基于图像的规划，应用于 3D 环境中的导航系统，通过机器学习方法实现了图像哈希表上的最短路径规划，比传统符号算法更优秀。

Jul, 2020

使用自组织映射进行离群值检测的自动化血细胞分析

本文针对医学数据集中的异常检测问题，采用自组织映射法 (Self-Organizing Maps) 基于量化误差和距离地图进行无监督学习。结果表明，相对于手动指定的过滤器，自组织映射法在该数据集上的无监督异常检测的效果相当。此外，该方法在医学数据集的清理和探索中也显示出了很好的表现。未来研究可考虑将自组织映射法与深度学习相结合。

Aug, 2022