Erweiterte Suche

Using low-discrepancy points for data compression in machine learning: an experimental comparison


Göttlich, Simone ; Heieck, Jacob ; Neuenkirch, Andreas


[img] PDF
s13362-024-00166-5.pdf - Veröffentlichte Version
Download (2MB)

DOI: https://doi.org/10.1186/s13362-024-00166-5
URL: https://mathematicsinindustry.springeropen.com/art...
Weitere URL: https://www.researchgate.net/publication/387719812...
URN: urn:nbn:de:bsz:180-madoc-686621
Dokumenttyp: Zeitschriftenartikel
Erscheinungsjahr: 2025
Titel einer Zeitschrift oder einer Reihe: Journal of Mathematics in Industry
Band/Volume: 15
Heft/Issue: 1
Seitenbereich: 1-25
Ort der Veröffentlichung: Berlin ; Heidelberg
Verlag: Springer
ISSN: 2190-5983
Sprache der Veröffentlichung: Englisch
Einrichtung: Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Wirtschaftsmathematik II: Stochastische Numerik (Neuenkirch 2013-)
Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Scientific Computing (Göttlich 2011-)
Bereits vorhandene Lizenz: Creative Commons Namensnennung 4.0 International (CC BY 4.0)
Fachgebiet: 510 Mathematik
Fachklassifikation: MSC: 41A99 , 65C05 , 65D15 , 68T07,
Freie Schlagwörter (Englisch): data reduction , low-discrepancy points , quasi-Monte Carlo , digital nets , k-means algorithm , neural networks
Abstract: Low-discrepancy points (also called Quasi-Monte Carlo points) are deterministically and cleverly chosen point sets in the unit cube, which provide an approximation of the uniform distribution. We explore two methods based on such low-discrepancy points to reduce large data sets in order to train neural networks. The first one is the method of Dick and Feischl (J Complex 67:101587, 2021), which relies on digital nets and an averaging procedure. Motivated by our experimental findings, we construct a second method, which again uses digital nets, but Voronoi clustering instead of averaging. Both methods are compared to the supercompress approach of (Stat Anal Data Min ASA Data Sci J 14:217–229, 2021), which is a variant of the K-means clustering algorithm. The comparison is done in terms of the compression error for different objective functions and the accuracy of the training of a neural network.




Dieser Eintrag ist Teil der Universitätsbibliographie.

Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt.




Metadaten-Export


Zitation


+ Suche Autoren in

BASE: Göttlich, Simone ; Heieck, Jacob ; Neuenkirch, Andreas

Google Scholar: Göttlich, Simone ; Heieck, Jacob ; Neuenkirch, Andreas

ORCID: Göttlich, Simone ORCID: 0000-0002-8512-4525 ; Heieck, Jacob ; Neuenkirch, Andreas ORCID: 0000-0002-0419-1225

+ Download-Statistik

Downloads im letzten Jahr

Detaillierte Angaben



Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail


Actions (login required)

Eintrag anzeigen Eintrag anzeigen