Találati lista | Tudóstér

001-es BibID:	BIBFORM039254
Első szerző:	Kovács György (programtervező matematikus, fizikus)
Cím:	Translation invariance in the polynomial kernel space and its applications in kNN classification / György Kovács, András Hajdu
Dátum:	2013
ISSN:	1370-4621 1573-773X
Megjegyzések:	In this paper, a new technique is presented to measure dissimilarity in kernel space providing scaling and translation invariance. The motivation comes from signal/image processing, where classifiers are often required to ensure invariance against linear transforms, since in many cases linear transforms do not affect the content of a signal/image for a human observer. We examine the theoretical background of linear invariance in the polynomial kernel space, introduce the centered correlation and centered Euclidean dissimilarity in kernel space, deduce formulas to compute it efficiently and test the proposed dissimilarity measures with the kNN classifier. The experimental results show that the presented techniques are highly competitive in similarity or dissimilarity based classification methods.
Tárgyszavak:	Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban Invariant dissimilarities Kernel trick KNN classifier Linear invariance Polynomial kernels
Megjelenés:	Neural Processing Letters. - 37 : 2 (2013), p. 207-233. -
További szerzők:	Hajdu András (1973-) (matematikus, informatikus)
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM124991
035-os BibID:	(Scopus)85202914049 (WOS)001303226000002
Első szerző:	Tiba Attila (informatikus, matematikus)
Cím:	Finding Efficient Graph Embeddings and Processing them by a CNN-based Tool / Tiba, Attila; Hajdu, Andras; Giraszi, Tamas
Dátum:	2024
ISSN:	1573-773X
Megjegyzések:	We introduce new tools to support finding efficient graph embedding techniques for graph databases and to process their outputs using deep learning for classification scenarios. Accordingly, we investigate the possibility of creating an ensemble of different graph embedding methods to raise accuracy and present an interconnected neural network-based ensemble to increase the efficiency of the member classification algorithms. We also introduce a new convolutional neural network-based architecture that can be generally proposed to process vectorized graph data provided by various graph embedding methods and compare it with other architectures in the literature to show the competitiveness of our approach. We also exhibit a statistical-based inhomogeneity level estimation procedure to select the optimal embedding for a given graph database efficiently. The efficiency of our framework is exhaustively tested using several publicly available graph datasets and numerous state-of-the-art graph embedding techniques. Our experimental results for classification tasks have proved the competitiveness of our approach by outperforming the state-of-the-art frameworks. ? The Author(s) 2024.
Tárgyszavak:	Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk Convolutional neural networks Ensemble of embeddings Graph classification Graph datasets Graph embedding
Megjelenés:	Neural Processing Letters. - 56 : 5 (2024), p. 1-25. -
További szerzők:	Hajdu András (1973-) (matematikus, informatikus) Girászi Tamás (1999-) (informatikus)
Pályázati támogatás:	OTKA K143540 Egyéb TKP2021-NKTA-34 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: