Binární faktorová analýza založená na neuronových sítích jako nástroj pro shlukování velkých datových souborů

Kód výsledku v 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>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Neural Network Binary Factorization as a Tool for Large Dataset Clustering

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Neural Network Binary Factorization as a Tool for Large Dataset Clustering

Popis výsledku anglicky

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.

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/GA201%2F01%2F1192" target="_blank" >GA201/01/1192: Výzkum schopností neuronových sítí provádět nelineární Booleovskou faktorovou analýzu</a><br>

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2004

Kód důvěrnosti údajů

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

Název statě ve sborníku

ELNET 2004

ISBN

80-248-0738-6

ISSN

—

e-ISSN

—

Počet stran výsledku

15

Strana od-do

64-88

Název nakladatele

Technical University

Místo vydání

Ostrava

Místo konání akce

Ostrava

Datum konání akce

7. 12. 2004

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—