バイナリシーケンスにおける単一の要素の発生のランダム性を検定し、パターンや傾向を特定する非パラメトリックなアプローチを提案する。
属性削減に局所的な一致性を使用することで、元のコンテキストに変更が加えられる。この変更を理解することが重要である。
本論文では、属性値に基づいて対象を分類することで、数値データに対する粗い位相と核を一般化する。数値データに対する核を見つける新しい手法について議論し、属性が核に含まれるかどうかを測る指標を提示する。この新しい核の発見手法は属性削減に使用される。8つの機械学習アルゴリズムを使って検証・比較を行う。また、データ分類における属性の重要度ランキングにこの手法を使う方法についても議論する。最後に、データを関連データに変換し、核を見つける アルゴリズムとコードも提供する。
データの内在する幾何構造を活用し、高次元データに対して効率的な回帰分析を行う新しい手法を提案する。
ルールベースの方法がGNNに劣る理由を分析し、新しい戦略を提案する。
二次元データにおける圧縮性測定の重要性と複雑さを探求する。
ノイズの影響を受けたビューに対処する理論的に根拠のある深いマルチビュークラスタリング手法(MVCAN)が、ノイズの副作用を軽減し、多視点データで優れたパフォーマンスを達成する。
離散フーリエ変換と逆離散フーリエ変換の反復的な実行に基づくアルゴリズムは、信号除去に有用である。
マルチビュー深層部分空間クラスタリングネットワーク(MvDSCN)は、エンドツーエンドの方法で複数のビューの関係を特徴学習と自己表現に組み込み、より良いクラスタリング効果を得る。
SSA-GCNは、意味情報と構造情報を統合し、グラフ畳み込みネットワークの性能を向上させる。