Neural Network Binary Factorization as a Tool for Large Dataset Clustering
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F04%3A00031747" target="_blank" >RIV/67985807:_____/04:00031747 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—
Alternative languages
Result language
angličtina
Original language name
Neural Network Binary Factorization as a Tool for Large Dataset Clustering
Original language description
The feature space transformation is a widely used method for data compression. Due to this transformation the original patterns are mapped into the space of features or factors of reduced dimensionality. In this paper we demonstrate that Hebbian learningin Hopfield-like neural network is a natural procedure for binary factorization. This paper is dedicated to estimation of the size of attraction basins around factors. Two global spurious attractors are shown to prevent convergence of the network activity to the factors invalidating any procedure of their search. These global attractors can be completely deleted from network dynamics by introducing a single inhibitory neuron with bi-directional Hebbian synapses. Due to additional inhibition, the size of attraction basins around factors becomes the same as around the stored patterns in usual Hopfield network.
Czech name
Binární faktorová analýza založená na neuronových sítích jako nástroj pro shlukování velkých datových souborů
Czech description
Transformace prostoru příznaků je velmi častou metodou komprese dat.Prostor příznaků je transformován do prostoru faktorů o nižší dimenzi. Zde je ukázáno, že pro binární případ lze k tomuto účelu použít variantu Hopfieldovy NS. Studována je velikost oblastí atrakce po odstranění dvou globálních atraktorů pomocí jednoho neuronu s dvosměrnými Hebbovskými synapsemi a je ukázáno že oblasti atrakce kolem faktorů jsou řízeny stejnou zákonitostí jako u tradiční Hopfieldovy sítě.
Classification
Type
D - Article in proceedings
CEP classification
BB - Applied statistics, operational research
OECD FORD branch
—
Result continuities
Project
<a href="/en/project/GA201%2F01%2F1192" target="_blank" >GA201/01/1192: Research of neural networks capability to provide nonlinear Boolean factor analysis</a><br>
Continuities
Z - Vyzkumny zamer (s odkazem do CEZ)
Others
Publication year
2004
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Article name in the collection
ELNET 2004
ISBN
80-248-0738-6
ISSN
—
e-ISSN
—
Number of pages
15
Pages from-to
64-88
Publisher name
Technical University
Place of publication
Ostrava
Event location
Ostrava
Event date
Dec 7, 2004
Type of event by nationality
CST - Celostátní akce
UT code for WoS article
—