TL;DR
- مشاهده PDF HTML (تجربی) چکیده:.
- این مقاله یک اصلاح دو محدب را برای خوشهبندی محدب به منظور بهبود عملکرد آن در تنظیمات با.
- ابعاد بالا پیشنهاد میکند.
چه اتفاقی افتاد
مشاهده PDF HTML (تجربی) چکیده:. این مقاله یک اصلاح دو محدب را برای خوشهبندی محدب به منظور بهبود عملکرد آن در تنظیمات با.
ابعاد بالا پیشنهاد میکند. برخلاف روشهای اکتشافی که زیرمجموعهای از ویژگیهای پر سر و صدا را به صورت پیشینی کنار میگذارند،.
روش ما به طور مشترک ویژگیهای اطلاعاتی را هنگام کشف دو خوشهها میآموزد و بر این اساس وزن. میکند.
علاوه بر این،. این روش با دادهها سازگار است و با یک الگوریتم کارآمد مبتنی بر کمینهسازی متناوب پروگزیمال،.
همراه با راهنمایی دقیق در مورد تنظیم فراپارامتر و راهحلهای کارآمد برای زیرمسائل بهینهسازی همراه است. این مشارکتها از لحاظ نظری مبتنی هستند.
ما مرزهای نمونه محدودی را بر روی تابع هدف تحت خطاهای زیر گاوسی ایجاد میکنیم و این تضمینها. را به مواردی تعمیم میدهیم که نیازی نیست قرابت ورودی یکنواخت باشد.
نتایج شبیهسازی گسترده نشان میدهد که روش ما بهطور مداوم زیربنا را بازیابی میکند دو خوشه در حالی. که وزن و انتخاب مناسب ویژگی ها،.
بهتر از روش های همتا. کاربرد یک مجموعه داده ریزآرایه ژنی از نمونههای لنفوم،.
دو خوشههای منطبق با طبقهبندی اساسی را بازیابی میکند،. در حالی که از طریق گروهبندی ستونها و وزنهای متناسب،.
تفسیر بیشتری به نمونههای mRNA میدهد. نظرات:.
34 صفحه،. 5 شکل موضوعات:.
یادگیری ماشین (stat.ML)؛ یادگیری ماشینی (cs.LG) استناد به عنوان:.
arXiv:. 2604.03936 [stat.ML] (یا arXiv:.
2604.03936v1 [stat.ML] برای این نسخه) https:. //doi.org/10.48550/arXiv.2604.03936 DOI صادر شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
ساموئل روزن [مشاهده ایمیل] [v1] یکشنبه،. 5 آوریل 2026،.
02:. 30:.
18 UTC (138 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.