COMPETITIVE learning has been widel

COMPETITIVE learning has been widely applied to a variety of
applications such as vector quantization [9], [14], data visualization
[8], [13], and particularly to unsupervised clustering [1], [6], [21],
[24]. In the literature, k-means [15] is a popular competitive
learning algorithm, which trains k seed points (also called units
hereinafter), denoted as m1;m2; . . . ;mk, in a way that they
converge to the data cluster centers by minimizing the meansquare-
error (MSE) function. In general, k-means algorithm has at
least two major drawbacks: 1) It suffers from the dead-unit
problem. If the initial positions of some units are far away from the
inputs (also called data points interchangeably) in Euclidean space
compared to the other units, these distant units will have no
opportunity to be trained and, therefore, immediately become
dead units. 2) If the number of clusters is misspecified, i.e., k is not
equal to the true cluster number k
, the performance of k-means
algorithm deteriorates rapidly. Eventually, some of the seed points
are not located at the centers of the corresponding clusters. Instead,
they are either at some boundary points between different clusters
or at points biased from some cluster centers

ผลลัพธ์ (ไทย) 1:

แข่งขันได้ถูกประยุกต์ใช้อย่างกว้างขวางเพื่อความหลากหลายของการเรียนรู้โปรแกรมประยุกต์เช่นเวกเตอร์ quantization [9], [14], ข้อมูลแสดงภาพประกอบเพลง[8], [13], และระบบคลัสเตอร์โดยเฉพาะ unsupervised [1] [6], [21],[24] เป็นนิยมในวรรณคดี [15] k-หมายถึงแข่งขันการเรียนรู้อัลกอริทึม รถไฟ k เมล็ดจุด (เรียกว่าหน่วยซึ่งต่อไปนี้), สามารถบุเป็น m1, m2 . . . ; เอ็มเค วิธีที่พวกเขาจึงทำให้ศูนย์คลัสเตอร์ข้อมูล โดยย่อ meansquare-ข้อผิดพลาด (MSE) ฟังก์ชัน ทั่วไป k หมายถึงอัลกอริทึมได้ที่ข้อเสียสำคัญสองอย่างน้อย: 1) มัน suffers จากหน่วยตายปัญหา ตำแหน่งเริ่มต้นของบางหน่วยจะห่างจากการอินพุต (เรียกว่าจุดข้อมูลสลับกัน) ในพื้นที่ Euclideanเมื่อเทียบกับหน่วยอื่น หน่วยห่างไกลเหล่านี้จะไม่มีโอกาสที่จะได้รับการฝึกอบรม และ จึง ทันทีกลายเป็นหน่วยตาย 2 ถ้าหมายเลขของคลัสเตอร์คือ misspecified เช่น k ไม่ได้มีค่าเท่ากับ k หมายเลขของคลัสเตอร์ที่แท้จริง ประสิทธิภาพของ k หมายถึงอัลกอริทึม deteriorates อย่างรวดเร็ว ในที่สุด บางจุดเมล็ดไม่ตั้งอยู่ในศูนย์ของคลัสเตอร์ที่สอดคล้องกัน แทนมีในบางจุดเขตแดนระหว่างคลัสเตอร์ที่แตกต่างกันหรือลำเอียงจากคลัสเตอร์บางจุดศูนย์

ผลลัพธ์ (ไทย) 2:

การเรียนรู้การแข่งขันได้ถูกนำมาใช้กันอย่างแพร่หลายในความหลากหลายของการใช้งานเช่นเวกเตอร์ [9] [14] การแสดงข้อมูล [8], [13] และโดยเฉพาะอย่างยิ่งการจัดกลุ่มใกล้ชิด [1] [6] [21] [24] ในวรรณคดี k หมายถึง [15] เป็นที่นิยมในการแข่งขันขั้นตอนวิธีการเรียนรู้ซึ่งรถไฟk จุดเมล็ดพันธุ์ (ที่เรียกว่าหน่วยต่อไปนี้) แสดงเป็น m1; m2; . . . ; mk ในทางที่พวกเขามาบรรจบกับศูนย์กลุ่มข้อมูลโดยการลดmeansquare- ข้อผิดพลาด (MSE) ฟังก์ชั่น โดยทั่วไปขั้นตอนวิธี k หมายถึงมีอย่างน้อยสองข้อบกพร่องที่สำคัญ: 1) ได้รับความทุกข์จากความตายหน่วยปัญหา หากตำแหน่งเริ่มต้นของบางหน่วยอยู่ห่างไกลจากปัจจัยการผลิต (เรียกว่าจุดข้อมูลสลับกัน) ในปริภูมิแบบยุคลิดเมื่อเทียบกับหน่วยงานอื่นๆ หน่วยที่ห่างไกลเหล่านี้จะไม่มีโอกาสที่จะได้รับการอบรมและดังนั้นทันทีกลายเป็นหน่วยที่ตายแล้ว 2) ถ้าจำนวนกลุ่มจะ misspecified คือ k ไม่เท่ากับกลุ่มที่แท้จริงจำนวนk ?, ประสิทธิภาพการทำงานของ k-หมายถึงขั้นตอนวิธีการเสื่อมอย่างรวดเร็ว ในที่สุดบางจุดเมล็ดไม่ได้อยู่ที่ศูนย์ของกลุ่มที่สอดคล้องกัน แต่พวกเขามีทั้งที่บางจุดเขตแดนระหว่างกลุ่มที่แตกต่างกันหรือที่จุดลำเอียงจากบางกลุ่มศูนย์

ผลลัพธ์ (ไทย) 3:

การเรียนรู้ที่แข่งขันได้รับการใช้กันอย่างแพร่หลายในความหลากหลายของโปรแกรมเช่นเวกเตอร์ quantization
[ 9 ] , [ 14 ] , การแสดงข้อมูล
[ 8 ] , [ 13 ] และโดยเฉพาะอย่างยิ่งสำหรับ unsupervised [ 1 ] , [ 6 ] , [ 21 ] ,
[ 24 ] ในวรรณคดี k-means [ 15 ] เป็นที่นิยมการแข่งขัน
อัลกอริทึมการเรียนรู้ ซึ่งรถไฟจุดเม็ด K ( เรียกว่าหน่วย
ต่อไปนี้ ) กล่าวคือเป็น M1 ; m2 ; . . . . . . . . ; บริษัท ในวิธีพวกเขา
บรรจบกับศูนย์กลุ่มข้อมูล โดยการ meansquare -
Error ( MSE ) ฟังก์ชัน โดยทั่วไป k-means ขั้นตอนวิธีมีอย่างน้อยสองประการหลัก 1
) มันทนทุกข์ทรมานจากหน่วย
ตายปัญหา ถ้าตำแหน่งเริ่มต้นของบางหน่วยจะห่างไกลจาก
กระผม ( เรียกว่าจุดข้อมูลสลับ ) ใช้พื้นที่
เมื่อเทียบกับหน่วยอื่น ๆ , หน่วยไกลเหล่านี้จะไม่มี
โอกาสที่จะได้รับการฝึกอบรมและจึงกลายเป็นทันที
หน่วยตาย 2 ) ถ้าจำนวนของกลุ่ม คือ misspecified คือ K ไม่ได้
เท่ากับจริงกลุ่มเบอร์ K
, ประสิทธิภาพของขั้นตอนวิธี k-means
เสื่อมโทรมลงอย่างรวดเร็ว ในที่สุด บางจุดเมล็ด
ไม่ได้อยู่ที่ศูนย์กลางของกลุ่มที่เกี่ยวข้อง
แทนพวกเขามีให้ในบางจุดขอบกันระหว่างกลุ่ม
หรือจุดที่ลำเอียงจากบางศูนย์กลุ่ม