Neural Network Binary Factorization as a Tool for Large Dataset Clustering

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

—

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.

Type

D - Article in proceedings

CEP classification

BB - Applied statistics, operational research

OECD FORD branch

—

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)

Publication year

2004

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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

—