self-organizing map
PulseAugur coverage of self-organizing map — every cluster mentioning self-organizing map across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
机器学习解析中国葫芦丝乐器音色
研究人员运用机器学习分析了源自中国云南的自由簧管乐器葫芦丝的音色。该研究使用COMSAR框架和Kohonen自组织映射，聚焦于七种心理声学特征来对不同乐器和音高进行聚类。分析显示，频谱质心、清晰度和分形关联维度是形成音高聚类的关键因素，较高的音高表现出较低的亮度、较低的清晰度和初始瞬态中较低的混沌度。
-
新框架Refine-POI使用LLM改进兴趣点推荐
研究人员开发了Refine-POI，一个旨在利用大语言模型（LLMs）增强下一兴趣点（POI）推荐的新颖框架。该方法解决了两个关键问题：推荐ID中语义连续性的保持以及监督微调（SFT）的局限性，后者通常将模型限制在单一预测。Refine-POI引入了一个分层自组织映射（SOM）来进行拓扑感知的ID生成，确保ID值的接近程度反映语义相似性。此外，它利用策略梯度强化学习方法来优化top-k推荐列表的生成，超越了严格的标签匹配。
-
新的码本布局可在单 GPU 上实现大规模自组织映射
研究人员开发了一种新颖的特征主导码本布局，用于稀疏二元自组织映射，显著提高了内存效率和训练速度。这种优化使得创建更大的图谱成为可能，能够扩展到单台消费级 GPU 上的 100 万个以上神经元。新方法比现有实现方式快得多，能够训练以前因内存限制而无法实现的 MEDLINE 大规模图谱。
-
新研究探索人工智能模型持续学习的先进技术 · 追踪8个来源
研究人员正在开发持续学习的新方法，旨在使人工智能模型能够在不忘记先前获得的知识的情况下学习新信息。一种方法，“具有自组织映射和合成重放的类增量持续学习”，利用自组织映射（SOMs）和合成数据生成在CIFAR-10和CIFAR-100等基准测试中取得有竞争力的性能。另一篇论文，“具有增长自组织映射和合成重放的无监督持续学习”，通过无监督方式使用增长SOMs（GSOMs）扩展了这一点，即使与监督方法相比也显示出强大的结果。此外，还提出了一…
-
TabSOM方法通过提高可解释性来增强表格数据的深度学习能力
研究人员开发了TabSOM，一种将表格数据编码为图像表示的新方法，以增强深度学习模型的应用。与仅考虑单个特征值的先前方法不同，TabSOM利用自组织映射（SOMs）来捕捉特征值及其相互关系。该方法在各种二元分类数据集上，与十二种现有的表格到图像技术相比，表现出了优越的性能和可解释性。
-
新的数据库抽象集成了自组织映射，用于拓扑驱动的数据探索
研究人员引入了一种新的数据库抽象，称为可查询数据映射，旨在将自组织映射（SOM）直接集成到数据库系统中。这种抽象允许用户探索数据拓扑并发现聚类和边界等模式，而无需将数据提取到外部进行分析。原型实现MapDB表明，SOM训练在中等规模下是可行的，并且对这些映射的查询是交互式的，使用户能够利用探索性SQL获得更深入的见解。
-
自组织映射：一种被低估的聚类算法
本文探讨了聚类算法，重点关注自组织映射（SOMs）及其被低估的潜力。作者主张深入研究SOMs，认为调整它们可以带来显著的好处，这与通常基于调整不当而表现不佳而将其忽略的普遍做法相反。文章将SOMs与其他算法如DBSCAN、k-means和高斯混合模型进行了对比。
-
无监督AI模型可学习敏感属性，侵犯公平性
研究人员证明，即使在训练数据中排除了年龄和收入等敏感属性，无监督机器学习表征仍可能无意中编码这些属性。一种名为SOMtime的新方法，基于自组织映射，表明这些敏感属性在嵌入中作为主要的潜在轴出现，与隐藏数据高度相关。这表明“不知情即公平”的方法在表征层面是不够的，需要对机器学习管道的无监督组件进行公平性审计。
-
新的SOCP方法通过发现数据组来改进ML模型校准
研究人员开发了自组织一致性预测（SOCP），这是一种旨在提高机器学习模型可靠性的新校准方案，尤其是在安全关键型应用中。SOCP利用自组织映射（SOM）来发现输入数据空间中的不同组。在测试时，它通过从与查询识别组相关的本地校准缓冲区中提取信息来进行预测校准，从而解决了标准一致性预测可能忽略的区域覆盖差距。在八个基准上的实验表明，SOCP在预测集大小仅略有增加且计算开销可忽略不计的情况下，有效地减少了覆盖差距。
-
FloatSOM框架加速分布式自组织映射，支持灵活拓扑
研究人员开发了FloatSOM，一个专为大规模自组织映射（SOM）分析设计的新框架，克服了GPU的内存限制。该框架支持多GPU执行和内存外数据处理，从而能够在大规模数据集上进行更高效的训练。FloatSOM还引入了超越标准格点的灵活拓扑，结合优化的超参数调优，与现有方法相比，量化误差更低。