Randomized Self Organizing Map
Inria Bordeaux Sud-Ouest（波尔多西南法国国立信息学及自动化研究院）；Institut des Maladies Neurodégénératives, Université de Bordeaux（波尔多大学神经退行性疾病研究所）；Université de Bordeaux（波尔多大学）；LaBRI, Université de Bordeaux（波尔多大学LaBRI实验室）；Institut Polytechnique de Bordeaux（波尔多理工学院）；adNomus Inc.（adNomus公司）
我们提出了一个变化的自组织映射算法，考虑随机放置的神经元在一个二维流形上，下面的蓝噪声分布，可以得出各种拓扑结构。这些拓扑具有随机（但可控）的不连续性，允许更灵活的自组织，特别是高维数据。所提出的算法进行了测试，一，二，三个维度的任务，以及MNIST手写数字数据集和验证使用频谱分析和拓扑数据分析工具。我们还证明了随机自组织映射的能力，优雅地重组自己的神经病变和/或神经发生的情况下。
2020-11-18 cs.LG cs.NE
Minimally Supervised Topological Projections of Self-Organizing Maps for Phase of Flight Identification
Rochester Institute of Technology（罗切斯特理工学院）
针对通用航空飞行阶段识别中数据标注成本高且类别不平衡的问题，提出最小监督自组织映射（MS-SOMs）方法，利用SOM U矩阵最近邻多数投票进行类别估计，仅需每类30个标注点即可达到或超越全量标注的朴素SOM性能，且对类别不平衡更具鲁棒性。
2024-02-17 cs.LG cs.NE
Fast Algorithm and Implementation of Dissimilarity Self-Organizing Maps
Université de Metz（梅斯大学）；INRIA（法国国家信息与自动化研究所）
在许多现实世界的应用中，数据不能用向量精确表示。在这些情况下，一个可能的解决方案是依赖于相异性测量，使观察之间的合理比较。Kohonen的自组织映射（SOM）已被改编为仅通过它们的相异性矩阵描述的数据。该算法同时提供了非线性投影和非矢量数据的聚类。不幸的是，该算法的成本很高，这使得它很难使用大量的数据集。在本文中，我们提出了一种新的算法，提供了一个重要的减少的理论成本的相异SOM，而不改变其结果（结果是完全相同的与原始算法获得的）。此外，我们引入的实现方法，导致在很短的运行时间。从理论成本模型推导出的改进验证模拟和现实世界的数据（一个单词列表聚类问题）。我们还表明，所提出的实施方法减少了一个因素高达3的运行时间的快速算法在一个标准的实施。
2007-09-21 cs.LG cs.NE
Analysis of Massive Heterogeneous Temporal-Spatial Data with 3D Self-Organizing Map and Time Vector
Huazhong University of Science and Technology（华中科技大学）
自组织映射（SOM）在聚类中有着广泛的应用，本文主要研究聚类的质心及其所揭示的内容。当输入矢量由时间、纬度和经度组成时，地图可以与物理世界紧密联系，提供有价值的信息。除了基本的聚类，一种新的方法来解决时间元素的开发，使三维SOM跟踪行为在多个时期并发。结合针对处理与时间和空间分布有关的异构数据的适应性，本文提供了一个新的范围，基于时空模式的业务和服务。
2016-09-27 cs.LG cs.NE
Minimally Supervised Learning using Topological Projections in Self-Organizing Maps
Rochester Institute of Technology（罗切斯特理工学院）
提出一种基于自组织映射拓扑投影的半监督学习方法，通过利用无标签数据显著减少标记数据需求，并在参数预测任务上优于多种传统回归和深度度学习模型。
2024-02-15 cs.LG cs.NE
Outlier Detection using Self-Organizing Maps for Automated Blood Cell Analysis
Technical University of Munich（慕尼黑工业大学）
数据集的质量在深度学习模型的成功训练和部署中起着至关重要的作用。特别是在医疗领域，系统性能可能会影响患者的健康，干净的数据集是可靠预测的安全要求。因此，在构建自主临床决策系统时，离群值检测是一个必不可少的过程。在这项工作中，我们评估了自组织映射的离群值检测的适用性，特别是在包含白细胞的定量相位图像的医学数据集。我们基于量化误差和距离图来检测和评估离群值。我们的研究结果证实了自组织映射对于手头数据集上无监督分布外检测的适用性。自组织映射的性能与基于专家领域知识的手动指定的过滤器相当。此外，它们显示出作为探索和清理医疗数据集的工具的前景。作为未来研究的方向，我们建议将自组织映射和基于深度学习的特征提取相结合。
2022-08-18 cs.LG eess.IV
Rectifying Self Organizing Maps for Automatic Concept Learning from Web Images
Bilkent University（比尔肯大学）
我们攻击的问题，学习概念自动从嘈杂的网络图像搜索结果。超越低级别属性，如颜色和纹理，我们探索弱标记数据集，用于学习更高级别的概念，如场景类别。这个想法是基于发现图像子集之间共享的共同特征，提出了一种方法，能够组织数据，同时消除不相关的实例。我们提出了一种新的聚类和离群点检测方法，即纠正自组织映射（RSOM）。给定为概念查询返回的图像集合，RSOM提供从离群值修剪的聚类。每个集群用于训练表示概念的不同特征的模型。所提出的方法优于国家的最先进的研究任务的学习低层次的概念，它是有竞争力的学习更高层次的概念。它能够在没有监督的情况下通过利用可用资源大规模工作。
2013-12-16 cs.CV cs.LG cs.NE
SOM-CPC: Unsupervised Contrastive Learning with Self-Organizing Maps for Structured Representations of High-Rate Time Series
Eindhoven University of Technology（埃因霍温理工大学）；Onera Health（奥内拉健康公司）；Sleep Medicine Center Kempenhaeghe（肯彭黑格睡眠医学中心）
针对高速率时间序列的高维难解释问题，提出SOM-CPC模型，通过无监督对比学习与自组织映射在二维流形中保留高维信息，并在合成与真实数据上验证其优于多种基线方法。
2023-05-25 cs.LG cs.NE
SatSOM: Saturation Self-Organizing Maps for Continual Learning
Faculty of Computer Science, AGH University of Krakow（计算机科学系，AGH克拉科夫大学）
SatSOM通过引入饱和机制，逐步降低神经元的学习率和邻域半径，以提升持续学习中的知识保留能力。
2026-03-17 cs.AI cs.LG
Self-Organizing Maps with Variable Input Length for Motif Discovery and Word Segmentation
Universidade Federal de Pernambuco（伯南布哥联邦大学）
时间序列基序发现（TSMD）被定义为搜索先前未知的模式，并在时间序列中以给定的频率出现。与TSMD密切相关的另一个问题是分词。这个问题已经引起了婴幼儿早期语言习得研究界的广泛关注。生物学上合理的分词模型的发展将极大地推动这一领域的发展。因此，在这篇文章中，我们提出了可变输入长度映射（VILMAP）的模体发现和分词。该模型基于自组织映射，可以识别时间序列中不同长度的模体。在我们的实验中，我们表明VILMAP在标准Motif发现数据集中找到Motif时表现出良好的结果，并且在使用具有增加的输入大小值的数据集进行训练时可以避免灾难性遗忘。我们还表明，VILMAP实现的结果相似或优于其他方法在文献中开发的任务的分词。
2019-08-07 cs.LG cs.NE stat.ML
Enhanced Self-Organizing Map Solution for the Traveling Salesman Problem
Institute for Advanced Studies（高等研究院）；Aeronautics Institute of Technology（航空技术学院）
使用增强的自组织映射方法，我们提供了次优的解决方案的旅行商问题。此外，我们采用超参数调整，以确定算法中的最关键的功能。基准测试工作中的所有改进都带来了一致的结果，可能会激发未来改进该算法并将其应用于不同问题的努力。
2021-12-03 cs.AI cs.LG cs.NE
A Rigorous Link Between Self-Organizing Maps and Gaussian Mixture Models
University of Applied Sciences Fulda（富尔达应用科技大学）
本文提出了一种自组织映射与高斯混合模型之间关系的数学处理方法。我们表明，基于能量的SOM模型可以被解释为执行梯度下降，最大限度地减少近似的GMM对数似然，这是特别有效的高数据维数。邻域半径的类似SOM的减小可以理解为退火过程，确保梯度下降不会陷入不期望的局部最小值。这种联系允许将SOM视为生成概率模型，为使用SOM提供正式的理由，例如，来检测异常值或进行采样。
2020-09-24 cs.LG stat.ML
Time Series Forecasting: Obtaining Long Term Trends with Self-Organizing Maps
Kohonen自组织映射是一种众所周知的分类工具，通常用于各种各样的问题，但在时间序列预测方面的应用有限。在本文中，我们提出了一种预测方法，专门设计用于多维长期趋势预测，与Kohonen算法的双重应用。文中还介绍了该方法的实际应用。
2007-01-08 cs.LG math.ST stat.TH
Intrinsic Rewards from Self-Organizing Feature Maps for Exploration in Reinforcement Learning
Massachusetts Institute of Technology（麻省理工学院）；Norwegian University of Science and Technology（挪威科技大学）
我们为使用自组织特征映射计算的深度强化学习方法引入了探索奖金。我们的方法使用自适应共振理论（ART）提供在线，无监督聚类来量化状态的新颖性。该启发式算法用于将内在奖励添加到外在奖励信号，然后优化代理以最大化这两个奖励的总和。我们发现，这种方法能够在与ICM arXiv：1705.05464相当数量的训练时期后以人类水平玩游戏Ordeal。使用RND arXiv：1810.12894增强的代理无法在我们的超参数空间中实现相同的性能水平。
2023-02-06 cs.LG
Initialization of Self-Organizing Maps: Principal Components Versus Random Initialization. A Case Study
University of Leicester（莱斯特大学）；Siberian Federal University（西伯利亚联邦大学）
自组织映射（SOM）算法的性能取决于映射的初始权值。不同的初始化方法可以大致分为随机和基于数据分析的初始化方法。在本文中，随机初始化（RI）的方法的性能进行了比较，主成分初始化（PCI）中的初始映射权重从主成分的空间中选择。性能通过未解释方差分数（FVU）进行评估。数据集被分为准线性和非线性，据观察，RI表现更好的非线性数据集;然而，PCI方法的性能仍然是不确定的准线性数据集。
2012-10-22 cs.LG stat.ML
Dendritic Self-Organizing Maps for Continual Learning
Technical University of Crete（克里特理工大学）；Foundation for Research and Technology-Hellas（研究与科技基金会-赫尔拉斯）
当前的深度学习架构在大规模受控数据集中训练时表现出卓越的性能。然而，这些架构的预测能力显着下降时，学习新的类增量。这是由于他们倾向于忘记从以前看到的数据中获得的知识，这种现象称为灾难性遗忘。另一方面，自组织映射（SOM）可以利用约束k-means对输入空间进行建模，从而保持过去的知识。在这里，我们提出了一种新的算法的灵感来自生物神经元，称为树突状自组织映射（DendSOM）。DendSOM由单层SOM组成，它从输入空间的特定区域提取模式，并伴随着一组命中矩阵，每个SOM一个，估计单元和标签之间的关联。该算法利用最大余弦相似性准则选择输入模式的最佳匹配单元，同时利用逐点互信息进行类推理。DendSOM执行无监督的特征提取，因为它不使用标签来有针对性地更新权重。它在基准数据集上的性能优于经典SOM和几种最先进的持续学习算法，如Split-MNIST和Split-CIFAR-10。我们认为，在自组织记忆中加入神经元特性可能有助于补救灾难性遗忘。
2021-10-18 cs.CV cs.LG cs.NE
Unsupervised classification of fully kinetic simulations of plasmoid instability using Self-Organizing Maps (SOMs)
Ruhr-Universität Bochum（波鸿鲁尔大学）；Lancaster University（兰卡斯特大学）；Cockcroft Institute（科克罗夫特研究所）
本文将基于 SOM 的无监督聚类用于等离子体团不稳定性完全动力学模拟，可准确识别关键物理区域，并有望服务于观测分析与自适应多模型耦合模拟。
2023-04-26 cs.LG cs.NE physics.plasm-ph
How Many Dissimilarity/Kernel Self Organizing Map Variants Do We Need?
Université Paris 1（巴黎第一大学）
在许多应用环境中，数据过于丰富和复杂，无法用数字向量表示。将机器学习和数据挖掘技术扩展到此类数据的一般方法是真正基于相异性或基于测量两个对象的不同或相似程度的内核。这种方法已被用来定义自组织映射（SOM）的几个变种。本文回顾了这些变体使用一套共同的符号，以概述它们之间的差异和相似之处。它讨论的优点和缺点的变种，以及实际相关的相异性/内核SOM的实际应用。
2014-07-02 cs.LG cs.NE stat.ML
Novel sparse matrix algorithm expands the feasible size of a self-organizing map of the knowledge indexed by a database of peer-reviewed medical literature
James Cook University（詹姆斯·库克大学）；University of Newcastle（纽卡斯尔大学）
针对现有算法内存与处理需求指数增长导致Medline数据库知识映射仅能使用小子集的问题，提出新型稀疏矩阵乘法算法，实现全数据集自组织映射应用，提升了知识图谱完备性与后续迭代优化可行性。
2025-11-19 cs.LG
Queryable Self-Organizing Maps: A Database Abstraction for Topology-Driven Data Exploration
University of Sao Paulo（圣保罗大学）；University of Münster（明斯特大学）
研究针对现代数据系统中SOM与关系数据脱节问题，引入可查询数据映射概念，通过MapDB原型实现，使SOM工件可查询，经实验验证其在适度规模下训练可行、查询具交互性且为探索性SQL提供有意义目标。
2026-07-28 cs.DB cs.LG
DPSOM: Deep Probabilistic Clustering with Self-Organizing Maps
ETH Zürich（苏黎世联邦理工学院）
从复杂数据生成可解释的可视化是许多应用中的常见问题。解决这个问题的两个关键要素是聚类和表示学习。然而，当前的方法尚未成功地结合这两种方法的优点。现有的表示学习模型依赖于潜在的拓扑结构，如自组织映射，表现出显着较低的聚类性能相比，最近的深度聚类方法。为了缩小这一性能差距，我们（a）提出了一种新的方法来适应自组织映射与概率聚类分配（PSOM），（b）提出了一种新的深度架构的概率聚类（DPSOM）使用VAE，和（c）扩展我们的架构的时间序列聚类（T-DPSOM），这也允许预测的潜在空间使用LSTM。我们表明，DPSOM实现了优越的聚类性能相比，目前的深度聚类方法MNIST/时尚MNIST，同时保持良好的可视化特性的SOM。在医疗时间序列上，我们证明了T-DPSOM在时间序列聚类和时间序列预测方面优于基线方法，同时提供了患者状态轨迹和不确定性估计的可解释的可视化。
2020-06-09 cs.LG stat.ML
Pattern Analysis with Layered Self-Organizing Maps
本文定义了一种新的学习体系结构，分层自组织映射（LSOMs），使用SOM和监督SOM学习算法。该体系结构与MNIST数据库的手写数字图像进行了验证。LSOM在采样数据的方式上与卷积神经网络（covnets）相似，但在表示特征和学习的方式上有所不同。LSOM分析（或生成）图像块与SOM学习算法确定的样本的地图，而不是通过反向传播学习的滤波器组的特征地图。LSOM为从covnet导出的特征提供了一种替代方案。多层LSOM是自下而上训练的，不使用反向传播，因此可能是视觉皮层的模型。结果显示，组织在多个层次。该算法在学习、分类和生成图像方面具有资源效率。虽然LSOM可以用于分类，他们的验证精度为这些探索性的运行远低于最先进的。本文的目标是定义的架构和显示的结构，从它的应用程序的MNIST图像。
2018-03-28 cs.CV cs.LG stat.ML
Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay
Rochester Institute of Technology（罗切斯特理工学院）
终身学习代理能够从潜在的无限模式感知数据流中不断学习。构建以这种方式适应的智能体的一个主要历史困难是，神经系统在从新样本中学习时很难保留先前获得的知识。这个问题被称为灾难性遗忘（干扰），至今仍是机器学习领域中未解决的问题。虽然在前馈网络的背景下，遗忘在过去几十年中得到了广泛的研究，但在替代架构的背景下，如古老的自组织映射（SOM），一种无监督的神经模型，经常用于聚类和降维等任务。虽然其内部神经元之间的竞争可能具有改善记忆保持的潜力，但我们观察到，在任务增量数据上训练的固定大小的SOM，即，它以一定的时间增量接收与特定类相关的数据点，经历显著的遗忘。在这项研究中，我们提出了连续SOM（c-SOM），一个模型，能够减少自己的遗忘时，处理信息。
2021-12-09 cs.LG
torchsom: The Reference PyTorch Library for Self-Organizing Maps
Centre de Mathématiques Appliquées, Ecole Polytechnique（应用数学中心，巴黎政治学院）；Manufacture Française des Pneumatiques Michelin（米其林轮胎法国制造）
torchsom是用于自组织映射的参考PyTorch库，具有降维、聚类和数据可视化特性，依赖PyTorch后端，通过GPU加速训练，遵循scikit-learn API，便于使用和扩展，测试覆盖率达90%，开源且有文档。
2026-07-24 cs.LG stat.ML
Deep Categorization with Semi-Supervised Self-Organizing Maps
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Center of Informatics - CIn（信息中心）
如今，随着技术的进步，每天都会产生越来越多的非结构化数据。然而，这是一个痛苦的工作，标签和组织。标签是一个昂贵的，耗时的，困难的任务。它通常是手动完成的，这与数据中的噪声和错误相结合。因此，开发可以从标记和未标记数据中受益的智能模型非常重要。目前，无监督学习和半监督学习的研究工作仍然被纯监督学习的成功所掩盖。然而，预计从长远来看，它们将变得更加重要。本文提出了一种半监督模型，称为批处理半监督自组织映射（Batch SS-SOM），它是SOM的扩展，结合了深度学习兴起时的一些进步，如批处理训练。实验结果表明，Batch SS-SOM是一种很好的半监督分类和聚类方法。它在准确性和聚类误差方面表现良好，即使是少量的标记样本，以及当呈现给无监督数据时，并且在传统图像分类基准数据集中的迁移学习场景中显示出竞争力。
2020-06-17 cs.LG cs.NE stat.ML
Compositional Learning for Modular Multi-Agent Self-Organizing Networks
Nokia Bell Labs（诺基亚贝尔实验室）；Nokia（诺基亚）
本文提出组合深度强化学习与组合预测决策两种组合学习方法，通过小区级和小区对级两层模块化框架，在降低模型复杂度的同时提升多智能体自组织网络的切换、吞吐量、时延、可扩展性、收敛速度、样本效率和训练安全性。
2025-06-03 cs.LG
Creating an Explainable Intrusion Detection System Using Self Organizing Maps
Mississippi State University（密西西比州立大学）；U.S Army Engineer Research and Development Center（美国陆军工程研究与发展中心）
现代人工智能（AI）支持的入侵检测系统（IDS）是复杂的黑匣子。这意味着安全分析师几乎没有解释或澄清IDS模型为什么做出特定的预测。解决这一问题的一个可能的方法是在现有的可解释人工智能（XAI）的基础上研究和开发可解释入侵检测系统（X-IDS）。在本文中，我们创建了一个自组织地图（SOM）的X-IDS系统，能够产生解释性的可视化。我们利用SOM的可解释性来创建全局和局部解释。分析人员可以使用全局解释来大致了解特定IDS模型如何计算预测。为各个数据点生成局部解释，以解释计算某个预测值的原因。此外，我们基于SOM的X-IDS使用NSL-KDD和CIC-IDS-2017数据集在解释生成和传统准确性测试方面进行了评估。
2022-07-15 cs.AI cs.CR cs.LG
Self-Organizing Maps with Optimized Latent Positions
Graduate School of Informatics（信息科学研究生院）；Osaka Metropolitan University（大阪 metropolitan 大学）
本文提出SOM-OLP方法，通过引入连续潜在位置改进自组织映射，实现高效拓扑映射与量化，实验显示其在大规模数据和潜在节点下具有良好的可扩展性和性能。
2026-10-30 cs.LG
Unsupervised Continual Learning with Growing Self-Organizing Maps and Synthetic Replay
Rochester Institute of Technology（罗切斯特理工学院）
本研究提出基于生长自组织映射与合成重放的无监督持续学习框架，无需原始数据与监督信息，在多基准测试中性能优于无内存方法，在单类增量场景表现突出，为相关研究提供参考。
2026-08-31 cs.LG
Self Organizing Classifiers: First Steps in Structured Evolutionary Machine Learning
Kyushu University（九州大学）
学习分类器系统是一种进化的机器学习算法，具有很强的灵活性，可以应用于强化学习、监督学习和无监督学习问题，并具有良好的性能。最近，提出了自组织分类器，它类似于LCS，但具有的优点是，在其结构化的人口之间没有平衡小生境和健身压力是必要的。然而，需要更多的测试和分析来验证其好处。在这里，提出了第一种算法的变体，它使用无参数自组织映射（SOM）。该算法应用于大型、噪声大、输入动作连续动态变化的迷宫（包括增长迷宫和压缩迷宫）等具有挑战性的问题，取得了良好的性能。此外，提出了一种遗传算子，它利用了SOM的种群结构的拓扑信息，改善了结果。因此，结构化进化机器学习的第一步，尽管如此，所面临的问题比最先进的连续输入动作多步骤的更困难。
2018-11-20 cs.AI cs.LG cs.MA
Multi-label Stream Classification with Self-Organizing Maps
Federal University of São Carlos（圣卡洛斯联邦大学）；Federal University of Uberlândia（乌贝兰迪亚联邦大学）；INESC TEC；University of Porto（波尔图大学）
已经提出了几种用于离线多标签分类的学习算法。然而，在诸如交通监控、社交网络和传感器等领域中的应用连续地产生数据，即所谓的数据流，这对批量多标签学习提出了挑战。由于数据流的分布缺乏平稳性，需要新的算法来在线适应这种变化（概念漂移）。此外，在实际应用中，变化发生在无限延迟标签的场景中，其中到达实例的真实类永远不可用。提出了一种基于自组织映射的在线无监督增量式多标签流分类方法。在分类阶段，我们使用k-近邻策略来计算地图中的获胜神经元，通过在线调整神经元权重向量和数据集标签基数来适应概念漂移。我们使用贝叶斯规则和每个神经元的输出来预测每个实例的标签，调整流中类的概率和条件概率。使用合成和真实数据集的实验表明，我们的方法是非常有竞争力的几个文献中，在固定和概念漂移的情况下。
2020-04-20 cs.LG stat.ML
A Deterministic Self-Organizing Map Approach and its Application on Satellite Data based Cloud Type Classification
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；University Space Research Association（大学空间研究协会）；NASA Goddard Space Flight Center（美国国家航空航天局戈达德太空飞行中心）
自组织映射（SOM）是一种竞争型人工神经网络，它将训练样本的高维输入空间投影到一个保持拓扑关系的低维空间。这使得SOM支持组织和可视化复杂的数据集，并已广泛用于具有不同应用程序的众多学科。尽管自组织映射具有广泛的应用，但其固有的随机性使其困惑，即使每次使用相同的参数对相同的训练样本进行训练，也会产生不同的SOM模式，从而引起其他领域从业者的可用性问题，并阻止更多潜在用户在更广泛的范围内探索基于SOM的应用。出于这种实际的关注，我们提出了一个确定性的方法作为标准的自组织映射的补充。与理论设计一致，卫星云数据的实验结果表明，该方法有效和高效的组织以及简化能力。
2018-10-31 cs.LG stat.ML
Self-Organizing Maps as a Storage and Transfer Mechanism in Reinforcement Learning
Singapore University of Technology and Design（新加坡科技设计大学）
重用来自先前学习的任务（源任务）的信息用于学习新任务（目标任务）的想法具有显著提高样本效率的潜力强化学习代理。在这项工作中，我们描述了一种方法来简洁地存储和表示学习的任务知识，并通过允许它引导探索的代理，而它学习新的任务，并重用它。为了做到这一点，我们使用的相似性的措施，直接定义在空间的参数化表示的价值函数。这种相似性度量也被用来作为一个不断增长的自组织地图算法，这是同时用于使以前获得的任务知识的存储在一个自适应和可扩展的方式的一个变体的基础上，我们经验验证我们的方法在模拟导航环境中，并讨论这种方法可能的扩展以及潜在的应用，它可能是特别有用的。
2018-07-19 cs.AI cs.LG stat.ML
SOFA-FL: Self-Organizing Hierarchical Federated Learning with Adaptive Clustered Data Sharing
Carnegie Mellon University（卡内基梅隆大学）
SOFA-FL通过自适应聚类数据共享和动态拓扑重构，解决联邦学习中数据异质性和网络拓扑刚性的挑战。
2025-12-09 cs.LG
Integration of geoelectric and geochemical data using Self-Organizing Maps (SOM) to characterize a landfill
Universidad Simón Bolívar（西蒙·玻利瓦尔大学）
本文利用自组织映射（SOM）无监督神经网络整合电阻率、激发极化与地表甲烷数据，通过神经元群组分类和等值线图对比，实现对垃圾填埋场渗滤液影响区域的精确圈定。
2023-09-17 cs.LG eess.SP physics.geo-ph
Modeling overland flow from local inflows in almost no-time, using Self Organizing Maps
Eawag: Swiss Federal Institute of Aquatic Science and Technology（瑞士联邦水科学与技术研究所（Eawag））；ETHZ: Swiss Federal Institute of Technology Zurich（苏黎世联邦理工学院（ETHZ））；Alexandria University（亚历山大大学）
基于物理的坡面流模型计算量大，阻碍了其用于实时应用。因此，快速（和合理准确）的坡面流模型的发展是必要的，如果他们被用来支持防洪决策。在这项研究中，我们研究了自组织映射的潜力，快速生成水深和洪水范围的结果。为了进行研究，我们开发了一个洪水模拟特定的SOM，使用元胞自动机洪水模型的结果和合成DEM和流入过程线。初步结果表明，由SOM产生的水深和洪水范围结果相当准确，并在很短的时间内获得。基于此，SOM似乎有潜力提供关键的洪水信息，以支持实时防洪决策。然而，所提出的调查结果将需要进一步的调查，以获得一般性的结论;这些进一步的调查可能包括考虑真实的地形表示，真实的供水网络和管道爆裂的现实流入。
2018-09-23 cs.CC cs.CY cs.LG
A Semi-Supervised Self-Organizing Map for Clustering and Classification
Center of Informatics - CIn, Universidade Federal de Pernambuco（信息中心 - 伯南布哥联邦大学）
近年来，由于大量的数据集含有大量未标记数据，而只有少量标记样本，因此半监督学习受到了越来越多的关注。半监督学习算法可以处理这两种类型的数据，将它们结合起来，以获得更好的聚类和分类性能。此外，这些数据集通常具有大量的维度。本文提出了一种新的基于自组织映射（SOM）的半监督聚类和分类方法，称为半监督自组织映射（SS-SOM）。该方法可以在训练过程中根据每个模式的类标签的可用性在监督学习和无监督学习之间动态切换。我们的研究结果表明，SS-SOM优于其他半监督方法的条件下，有少量的标记样本，也取得了良好的效果时，所有的样本标记。
2019-07-01 cs.LG stat.ML
Self-Organizing Time Map: An Abstraction of Temporal Multivariate Patterns
Åbo Akademi University（奥博学术大学）；Turku Centre for Computer Science（图尔库计算机科学中心）
本文采用和适应Kohonen的标准自组织映射（SOM）的探索性时间结构分析。自组织时间映射（SOTM）实现了SOM类型的学习，以一维数组为单个时间单位，保留短期记忆的方向，并按照时间的升序排列数组。因此，SOTM的二维表示尝试双重拓扑保持，其中水平方向保持时间拓扑和垂直方向数据拓扑。这使得能够发现数据中时间结构变化的发生并探索其属性。为了表示质量和属性的SOTM，我们适应措施和可视化从标准SOM范式，以及引入一个衡量的时间结构变化。SOTM的功能，其可视化和质量和属性的措施，说明人工玩具数据。在现实世界中，贫困、福利和发展指标显示了社会目标衡量法的有用性。
2012-08-09 cs.DS cs.LG
SOMtime the World Ain$'$t Fair: Violating Fairness Using Self-Organizing Maps
Faculty of Biology, Technion University（生物学院，技术学院）；Taub Faculty of Computer Science, Technion University（计算机科学学院，技术学院）
研究发现基于自组织映射的SOMtime方法，能让敏感属性在无监督嵌入中成为主导潜在轴，恢复与敏感属性对齐的排序，其嵌入分割产生人口统计学倾斜聚类，揭示“通过无意识实现公平”在表示层面失败，公平审计需扩展到无监督组件。
2026-07-09 cs.AI cs.LG
Adversarial Attacks on Cognitive Self-Organizing Networks: The Challenge and the Way Forward
Information Technology University Punjab（旁遮普信息技术大学）；Western Michigan University（西密歇根大学）
未来的通信和数据网预计将主要是认知自组织网络（CSON）。这种网络将具有认知自组织的基本属性，这可以使用机器学习技术（例如，深度学习）。尽管这些技术具有潜力，但这些技术在其当前形式下容易受到对抗攻击的攻击，这些攻击可能导致级联损害，对整个网络造成有害后果。在本文中，我们探讨了对抗攻击对CSON的影响。我们的实验突出了CSON必须处理的威胁水平，以满足下一代网络的挑战，并指出未来工作的方向。
2018-09-26 cs.AI cs.CR cs.LG
Machine Learning (ML) In a 5G Standalone (SA) Self Organizing Network (SON)
T-Mobile USA Inc（美国T-Mobile公司）
机器学习（ML）包含在自组织网络（SON）中，这些网络是增强运营、管理和维护（OAM）活动的关键驱动因素。它包含在5G独立（SA）系统中，是将4G网络转换为基于移动应用的下一代技术的5G通信轨道之一。该研究的主要目的是概述5G独立核心网络中的机器学习（ML）。5G Standalone被服务提供商认为是一个关键的推动因素，因为它提高了网络边缘吞吐量的效率。它还有助于推进新的蜂窝用例，如支持频率组合的超可靠低延迟通信（URLLC）。
2020-11-24 cs.LG cs.NI
FloatSOM: GPU-Accelerated, Distributed, Topology-Flexible Self-Organizing Maps
John Curtin School of Medical Research, Australian National University（澳大利亚国立大学约翰·库廷医学研究学院）；Department of Information Technology and Electrical Engineering, ETH Zürich（苏黎世联邦理工学院信息科技与电气工程系）；Mathematical Data Science Centre, Australian National University（澳大利亚国立大学数学数据科学中心）；Walter and Eliza Hall Institute（沃尔特和伊丽莎白·霍尔研究所）
FloatSOM通过多GPU执行、内存盘流式传输和新型拓扑结构，提升了大规模自组织映射的性能与效率，降低量化误差并实现高吞吐量分布式训练。
2026-04-29 cs.DC cs.LG
SuSi: Supervised Self-Organizing Maps for Regression and Classification in Python
Institute of Photogrammetry and Remote Sensing, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院摄影测量与遥感研究所）
在许多研究领域，现有数据集的大小差异很大。因此，需要非常适合这些不同数据集的机器学习技术。一种可能的技术是自组织映射（SOM），一种人工神经网络，到目前为止，在机器学习领域表现较弱。SOM的独特之处在于输出神经元之间的邻域关系。这种关系提高了小数据集的泛化能力。SOM主要应用于无监督学习，很少有研究将SOM作为监督学习方法。此外，对于机器学习标准和广泛使用的程序设计语言Python，没有合适的SOM包可用。在本文中，我们介绍了免费提供的监督自组织映射（SuSi）Python包，它可以执行监督回归和分类。SuSi的实现相对于底层数学描述。然后，我们提出了第一次评估的SOM的回归和分类数据集从两个不同领域的地理空间图像分析。尽管处于开发的早期阶段，但SuSi框架表现良好，其特点是训练和测试数据集之间只有很小的性能差异。SuSi框架与现有Python和R包的比较表明了SuSi框架的重要性。在今后的工作中，将对SuSi框架进行扩展、优化和升级，例如使用工具，以更好地理解和可视化输入数据以及处理缺失和不完整的数据。
2020-01-08 cs.CV cs.LG stat.ML
A Semi-Supervised Self-Organizing Map with Adaptive Local Thresholds
Universidade Federal de Pernambuco（伯南布哥联邦大学）
近年来，半监督学习受到越来越多的关注，因为在许多学习任务中，存在大量的未标记数据，但标记数据不足。因此，半监督学习模型可以受益于这两种类型的数据，以提高所获得的性能。此外，重要的是要制定方法，易于参数化的方式是强大的手头数据的不同特征。本文提出了一种基于自组织映射（SOM）的聚类和分类新方法，称为自适应局部自组织半监督自组织映射（ALTSS-SOM）。它可以在训练时根据标签的可用性在两种形式的学习之间动态切换，就像以前的模型一样，并且可以自动调整自己以适应每个数据集群中观察到的局部方差。结果表明，ALTSS-SOM在分类性能上优于其他半监督方法，在无标签时优于其他纯聚类方法，对参数值的敏感性也低于以往的方法。
2020-03-26 cs.LG stat.ML
SOMz: photometric redshift PDFs with self organizing maps and random atlas
University of Illinois（伊利诺伊大学）
在本文中，我们探讨了自组织映射（SOM）的无监督机器学习技术估计星系光度红移概率密度函数（PDF）的适用性。该技术采用光谱训练集，并通过使用竞争性学习过程将光度属性而不是红移映射到二维表面，在该过程中神经元竞争以更接近训练数据多维空间。SOM的关键特征是它保留了输入集的拓扑结构，揭示了不容易识别的属性之间的相关性。我们测试三种不同的二维拓扑映射：矩形，六边形和球形，通过使用数据从DEEP 2调查。我们还探索了地图上的不同实现和边界条件，并介绍了随机地图集的想法，其中创建了大量不同的地图，并将其各自的预测聚合起来，以产生更强大的光度红移PDF。我们还引入了一个新的度量，$I$ -score，它有效地结合了不同的度量，使其更容易比较不同的结果（从不同的参数或不同的光度红移代码）。我们发现，通过使用球形拓扑映射，我们获得了底层多维拓扑的更好表示，这提供了与其他最先进的机器学习算法相媲美的更准确的结果。我们的结果表明，无监督方法在许多天文问题上具有巨大的潜力，特别是在光度红移的计算方面。
2013-12-18 astro-ph.CO astro-ph.IM cs.LG
Probabilistic Point Cloud Modeling via Self-Organizing Gaussian Mixture Models
Carnegie Mellon University（卡内基梅隆大学）
这封信提出了一种连续的概率建模方法，空间点云数据使用有限高斯混合模型（GARCH）的组件的数量是适应场景的复杂性的基础上。已经提出了一些分层和自适应的方法来解决平衡模型保真度与大小的挑战。相反，最先进的映射方法需要针对特定用例调优参数，但不能在不同的环境中推广。为了解决这个问题，我们利用信息理论学习的自组织原理，根据传感器数据中的相关信息自动调整GMM模型的复杂性。该方法进行评估对现有的点云建模技术在现实世界的数据与不同程度的场景复杂性。
2023-03-13 cs.GR cs.LG cs.RO
Self-Organizing Map assisted Deep Autoencoding Gaussian Mixture Model for Intrusion Detection
Nanyang Technological University（南洋理工大学）；Osaka University（大阪大学）
在信息时代，安全稳定的网络环境是必不可少的，因此入侵检测对于任何网络都是至关重要的。在本文中，我们提出了一种自组织映射辅助的深度自动编码高斯混合模型（SOMDAGMM），并补充了良好保存的输入空间拓扑结构，以实现更准确的网络入侵检测。深度自动编码高斯混合模型包括压缩网络和能够执行无监督联合训练的估计网络。然而，由自动编码器生成的代码在保持输入空间的拓扑方面是无能的，这根源于所采用的深层结构的瓶颈。一个自组织映射已被引入到构建SOMDAGMM来解决这个问题。在两个数据集上进行了大量的实验，经验证明了所提出的SOM-DAGMM的优越性。实验结果表明，SOM-DAGMM在所有测试上都优于最先进的DAGMM，并且在F1分数上获得了高达15.58%的提高，并且具有更好的稳定性。
2020-08-28 cs.CR cs.LG cs.SI
String Tightening as a Self-Organizing Phenomenon: Computation of Shortest Homotopic Path, Smooth Path, and Convex Hull
The Ohio State University（俄亥俄州立大学）
几十年来，自组织现象一直是神经网络社区的特殊兴趣。在本文中，我们研究了自组织映射（SOM）的一个变体，它模拟了当弦从一端或两端收紧时，形成弦的粒子的自组织现象。所提出的变种，被称为字符串收紧自组织神经网络（STON），可以用来解决某些实际问题，如计算最短同伦路径，平滑路径，以避免急转弯，和计算的凸包。这些问题在计算几何、机器人路径规划、人工智能（图解推理）、超大规模集成电路布线和地理信息系统中具有相当大的意义。给定一组障碍物和一个在二维的空间中具有两个固定端点的字符串，STON模型不断收紧给定字符串，直到达到欧几里得度量的唯一最短配置。STON通过以竞争的方式动态地创建和选择特征向量来最小化收敛时字符串的总长度。文中给出了该算法的正确性证明和部署实验结果。
2021-02-16 cs.AI cs.CG cs.LG
Self-Organizing Language
Department of Physics, Indiana University（印第安纳大学物理系）；Cognitive Science Program, Indiana University（印第安纳大学认知科学项目）
该研究提出新的涌现局部记忆范式，通过无协调学习的局部约束生成拓扑保护记忆实现涌现符号顺序，能无数据生成人类语言，揭示语言结构反映单词形成的通用子正则机制，为神经符号学搭建桥梁。
2025-11-14 cs.AI cs.CL cs.LG
