Loss Functions for Clustering in Multi-instance Learning

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F20%3A00533916" target="_blank" >RIV/67985807:_____/20:00533916 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21230/20:00348526 RIV/68407700:21340/20:00348526

Výsledek na webu

<a href="http://ceur-ws.org/Vol-2718/paper05.pdf" target="_blank" >http://ceur-ws.org/Vol-2718/paper05.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Loss Functions for Clustering in Multi-instance Learning

Popis výsledku v původním jazyce

Multi-instance learning belongs to one of recently fast developing areas of machine learning. It is a supervised learning method and this paper reports research into its unsupervised counterpart, multi-instance clustering. Whereas traditional clustering clusters points, multiinstance clustering clusters bags, i.e. multisets of points or of other kinds of objects. The paper focuses on the problem of loss functions for clustering. Three sophisticated loss functions used for clustering of points, contrastive predictive coding, triplet loss and magnet loss, are elaborated for multi-instance clustering. Finally, they are compared on 18 benchmark datasets, as well as on a real-world dataset.

Název v anglickém jazyce

Loss Functions for Clustering in Multi-instance Learning

Popis výsledku anglicky

Multi-instance learning belongs to one of recently fast developing areas of machine learning. It is a supervised learning method and this paper reports research into its unsupervised counterpart, multi-instance clustering. Whereas traditional clustering clusters points, multiinstance clustering clusters bags, i.e. multisets of points or of other kinds of objects. The paper focuses on the problem of loss functions for clustering. Three sophisticated loss functions used for clustering of points, contrastive predictive coding, triplet loss and magnet loss, are elaborated for multi-instance clustering. Finally, they are compared on 18 benchmark datasets, as well as on a real-world dataset.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 20th Conference Information Technologies - Applications and Theory

ISBN

—

ISSN

1613-0073

e-ISSN

—

Počet stran výsledku

10

Strana od-do

137-146

Název nakladatele

Technical University & CreateSpace Independent Publishing

Místo vydání

Aachen

Místo konání akce

Oravská Lesná

Datum konání akce

18. 9. 2020

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—