The probabilistic growing cell structures algorithm

Vlassis, Nikos; Dimopoulos, Apostolos; Παπακωνσταντίνου, Γ.

doi:10.1007/bfb0020228

Cited by 10 publications

(4 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Based upon hierarchical clustering and GCS, a Tree-based GCS (Tree GCS) was proposed by V. Hodge [19]. A probabilistic version of the GCS algorithm, Probabilistic GCS (PGCS), was introduced by N. Vlassis [20]. Some new variants and application fields of GCS have been explored.…”

Section: Growing Cell Structures (Gcs)mentioning

confidence: 99%

Growing Neural Networks using Soft Competitive Learning

Chaudhary¹,

Ahlawat²,

Bhatia³

2011

IJCA

View full text Add to dashboard Cite

This paper gives an overview of some classical Growing Neural Networks (GNN) using soft competitive learning. In soft competitive learning each input signal is characterized by adapting in addition to the winner also some other neurons of the network. The GNN is also called the ANN with incremental learning. The artificial neural networks (ANN) mapping capability depends on the number of layers and the number of hidden layers in the structure of ANN. There is no formal way of computing network structure. Network structure is usually selected by trial-and-error method but it is time consuming process. Basically, we make use of two mechanisms that may modify the structure of the network: growth and pruning. In this paper, the competitive learning is firstly introduced; secondly the SOM topology and limitations of SOM are illustrated. Thirdly, a class of classical GNN with soft competitive learning is reviewed, such as Neural Gas Network

show abstract

Section: Growing Cell Structures (Gcs)mentioning

confidence: 99%

Growing Neural Networks using Soft Competitive Learning

Chaudhary¹,

Ahlawat²,

Bhatia³

2011

IJCA

View full text Add to dashboard Cite

show abstract

“…Since the first presentation of GCS in 1992 [3], many related algorithms of GCS have been developed, such as dynamic cell structures [4], hierarchical growing cell structures [5], probabilistic growing cell structures [6], growing radial basis function networks [7], and growing multi-dimensional SOM [8]. Performance comparisons of GCS with other neural network models have been made by Fritzke [9] and Heinke [10].…”

Section: Based On Som Fritzke Introduced An Incrementalmentioning

confidence: 99%

Externally Growing Cell Structures for Data Evaluation of Chemical Gas Sensors

Cheng

Zell

2001

Neural Computing & Applications

View full text Add to dashboard Cite

Based on Fritzke's GCS (Growing Cell Structures), we present here a new incremental self-organising neural network, the Externally Growing Cell Structures (EGCS). Our goals are to speed up the convergence and to improve the generalisation performance. The mechanism of internally growing cells in EGCS is the same as in GCS. However, when the Maximum Resource Vertex (MRV) or the Maximum Error Vertex (MEV) is a boundary node, the new cell is grown externally. Simulation results on neural network benchmarks, two-spiral problem and sonar mine/rock separation, indicate that EGCS performs better than the original GCS, measured by classification rate and the required number of epochs. As a new classification and regression method, the EGCS for Data Evaluation of Chemical Gas Sensors is introduced.

show abstract

“…A rede cresce até que um critério de parada previamente estabelecido seja atingido. A rede GCS motivou o desenvolvimento de abordagens semelhantes, como a Dynamic Cell Structure (DCS) (Bruske and Sommer, 1995) e a Probabilistic GCS (Vlassis et al, 1997).…”

Section: Redes Auto-organizáveis E Construtivasunclassified

Detecção de novidade com aplicação a fluxos contínuos de dados

Spinosa¹

View full text Add to dashboard Cite

AgradecimentosMinha gratidãoàs pessoas com as quais tive a sorte de trabalhar nesses quatro anos vai além do que as palavras podem expressar.Ao Professor André Carvalho, obrigado por ter estado sempre presente e por ter proporcionado as condições para que este trabalho pudesse ser desenvolvido. Suas idéias, sua dedicação e seu entusiasmo foram essenciais. Obrigado pelos conselhos, pela paciência, e pela generosidade em todos os momentos, e em cada um.Ao Professor João Gama, obrigado por ter aceito o convite para me co-orientar neste projeto, pela atenção durante o estágio, e pelas contribuições que tanto enriqueceram este trabalho.A Professora Carolina Monard, obrigado pelas orientações, pelos ensinamentos, e pelo privilégio da convivência.Aos professores, obrigado por compartilharem suas experiências e conhecimento. Aos colegas, obrigado pelo companheirismo. Aos funcionários do ICMC, parabéns pela competência e dedicação, qualidades que se refletem em um ambiente de trabalho produtivo e agradável.Ao CNPq eà CAPES, obrigado pelo apoio.i ii Agradecimentos ResumoNeste trabalho a detecção de novidadeé tratada como o problema de identificação de conceitos emergentes em dados que podem ser apresentados em um fluxo contínuo. Considerando a relação intrínseca entre tempo e novidade e os desafios impostos por fluxos de dados, uma nova abordagemé proposta. OLINDDA (OnLIne Novelty and Drift Detection Algorithm) vai além da classificação com uma classe e concentra-se no aprendizado contínuo não-supervisionado de novos conceitos. Tendo aprendido uma descrição inicial de um conceito normal, prossegueà análise de novos dados, tratando-os como um fluxo contínuo em que novos conceitos podem aparecer a qualquer momento. Com o uso de técnicas de agrupamento, OLINDDA pode empregar diversos critérios de validação para avaliar grupos em termos de sua coesão e representatividade. Grupos considerados válidos produzem conceitos que podem sofrer fusão, e cujo conhecimentoé continuamente incorporado. A técnicaé avaliada experimentalmente com dados artificiais e reais. O módulo de classificação com uma classeé comparado a outras técnicas de detecção de novidade, e a abordagem como um todoé analisada sob vários aspectos por meio da evolução temporal de diversas métricas. Os resultados reforçam a importância da detecção contínua de novos conceitos, assim como as dificuldades e desafios do aprendizado não-supervisionado de novos conceitos em fluxos de dados.iii iv Resumo AbstractIn this work novelty detection is treated as the problem of identifying emerging concepts in data that may be presented in a continuous flow. Considering the intrinsic relationship between time and novelty and the challenges imposed by data streams, a novel approach is proposed. OLINDDA, an OnLIne Novelty and Drift Detection Algorithm, goes beyond one-class classification and focuses on the unsupervised continuous learning of novel concepts. Having learned an initial description of a normal concept, it proceeds to the analysis of new data, treating them as a continuo...

show abstract

The probabilistic growing cell structures algorithm

Cited by 10 publications

References 6 publications

Growing Neural Networks using Soft Competitive Learning

Growing Neural Networks using Soft Competitive Learning

Externally Growing Cell Structures for Data Evaluation of Chemical Gas Sensors

Detecção de novidade com aplicação a fluxos contínuos de dados

Contact Info

Product

Resources

About