Origin and Elimination of Two Global Spurious Attractors in Hopfield-Like Neural Network Performing Boolean Factor Analysis

0334976 - ÚI 2010 RIV NL eng J - Článek v odborném periodiku
Frolov, A. A. - Húsek, Dušan - Muraviev, I. P. - Polyakov, P.Y.
Origin and Elimination of Two Global Spurious Attractors in Hopfield-Like Neural Network Performing Boolean Factor Analysis.
[Původ a odstranění dvou globálních lživých atraktorů v booleovském faktorovém analyzátoru založeném na Hopfieldově neuronové síti.]
Neurocomputing. Roč. 73, č. 7-9 (2010), s. 1394-1404. ISSN 0925-2312. E-ISSN 1872-8286
Grant CEP: GA ČR GA205/09/1079; GA MŠMT(CZ) 1M0567
Výzkumný záměr: CEZ:AV0Z10300504
Klíčová slova: Boolean factor analysis * Hopfield neural Network * unsupervised learning * dimension reduction * data mining
Kód oboru RIV: IN - Informatika
Impakt faktor: 1.429, rok: 2010

Factor analysis is used in a number of applications. One example is image recognition, where it is often necessary to learn representations of the underlying components of images, such as objects, object-parts, or features. Another example is data compression when original data is transformed into a space of lower dimension. The goal of factor analysis is to find the underlying factors (factor loadings) and the contributions of these factors into the original observations (factor scores).

Faktorová analýza se používá v řadě aplikací. Jedním z příkladů je rozpoznávání obrazu, kde je často nutné naučit reprezentace základních složek obrazů, jako objekty, objektově-díly, nebo funkce. Jiným příkladem je komprese dat, když je původní data transformována do prostoru nižší dimenze. Cílem faktorové analýzy je nalézt základní faktory (faktor zatížení) a příspěvky těchto faktorů do původního vyjádření (faktor skóre).
Trvalý link: http://hdl.handle.net/11104/0179576