Inferring Epsilon-nets of Finite Sets in a RKHS
| Autor: | Moniot, Antoine, Chauvot de Beauchêne, Isaure, Guermeur, Yann |
|---|---|
| Přispěvatelé: | Computational Algorithms for Protein Structures and Interactions (CAPSID), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Complex Systems, Artificial Intelligence & Robotics (LORIA - AIS), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Machine Learning and Computational Biology (ABC), Department of Algorithms, Computation, Image and Geometry (LORIA - ALGO), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS) |
| Jazyk: | angličtina |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | Proceedings of the 14th International Workshop, Lecture Notes in Networks and Systems-LNNS Advances in Self-Organizing Maps, Learning Vector Quantization, Clustering and Data Visualization. WSOM-2022 Advances in Self-Organizing Maps, Learning Vector Quantization, Clustering and Data Visualization. WSOM-2022, Jul 2022, Prague, Czech Republic. pp.53-62, ⟨10.1007/978-3-031-15444-7_6⟩ |
| Popis: | International audience; We introduce a method to derive epsilon-nets of finite sets. It operates in a reproducing kernel Hilbert space. Its principle combines two well-known tools of empirical inference: the hierarchical agglomerative clustering and the computation of minimum enclosing balls. It produces epsilon-nets whose cardinalities are smaller than those obtained with state-of-the-art methods. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|