論文の概要: Evolutionary Clustering via Message Passing
- arxiv url: http://arxiv.org/abs/1912.11970v1
- Date: Fri, 27 Dec 2019 03:09:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-10 00:16:35.318367
- Title: Evolutionary Clustering via Message Passing
- Title（参考訳）: メッセージパッシングによる進化的クラスタリング
- Authors: Natalia M. Arzeno, Haris Vikalo
- Abstract要約: 進化的親和性伝播(EAP)は,因子グラフ上でメッセージを交換することで,データポイントをグループ化する進化的クラスタリングアルゴリズムである。
EAPは、隣接するデータスナップショットに関連付けられたファクタグラフのノードをリンクすることで、クラスタリング時間進化データに対するソリューションの時間的スムーズさを促進する。
EAPはクラスタ数を決定し、自動的に追跡する。
- 参考スコア（独自算出の注目度）: 21.366647840787365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We are often interested in clustering objects that evolve over time and
identifying solutions to the clustering problem for every time step.
Evolutionary clustering provides insight into cluster evolution and temporal
changes in cluster memberships while enabling performance superior to that
achieved by independently clustering data collected at different time points.
In this paper we introduce evolutionary affinity propagation (EAP), an
evolutionary clustering algorithm that groups data points by exchanging
messages on a factor graph. EAP promotes temporal smoothness of the solution to
clustering time-evolving data by linking the nodes of the factor graph that are
associated with adjacent data snapshots, and introduces consensus nodes to
enable cluster tracking and identification of cluster births and deaths. Unlike
existing evolutionary clustering methods that require additional processing to
approximate the number of clusters or match them across time, EAP determines
the number of clusters and tracks them automatically. A comparison with
existing methods on simulated and experimental data demonstrates effectiveness
of the proposed EAP algorithm.
- Abstract（参考訳）: 私たちはしばしば、時間とともに進化するクラスタリングオブジェクトに興味を持ち、毎回クラスタリング問題の解決策を見つけます。
進化的クラスタリングは、クラスタの進化とクラスタメンバシップの時間的変化に対する洞察を提供し、異なる時点に収集されたデータを独立してクラスタリングすることで達成したパフォーマンスよりも優れたパフォーマンスを実現する。
本稿では,因子グラフ上でメッセージを交換することでデータポイントをグループ化する進化的クラスタリングアルゴリズムである進化的親和性伝播(eap)を提案する。
eapは、隣接するデータスナップショットに関連付けられたファクタグラフのノードをリンクすることで、時間発展データに対するソリューションの時間的平滑性を促進し、クラスタの誕生と死の追跡と識別を可能にするコンセンサスノードを導入する。
クラスタ数を近似するために追加処理を必要とする既存の進化的クラスタリング手法とは異なり、eapはクラスタ数を決定し、自動的に追跡する。
シミュレーションデータと実験データの比較により,提案手法の有効性が示された。
関連論文リスト
- A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。
さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
論文 参考訳（メタデータ） (2024-07-14T13:37:03Z) - Incremental Affinity Propagation based on Cluster Consolidation and
Stratification [2.048226951354646]
本稿では, A-Posteriori Affinity Propagation (APP) を提案する。
i) 新しい到着オブジェクトは、オブジェクトのデータセット全体にわたってクラスタを再実行することなく、動的に以前のクラスタに統合される。
実験の結果,APPはスケーラビリティを同時に発揮しながら,同等のクラスタリング性能を実現していることがわかった。
論文 参考訳（メタデータ） (2024-01-25T14:20:00Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳（メタデータ） (2023-08-13T18:12:28Z) - Clustering individuals based on multivariate EMA time-series data [2.0824228840987447]
エコロジー・モメンタリー・アセスメント(EMA)の方法論は、時間集約的、反復的、個人内測定の新たな機会を提供する。
高度な機械学習(ML)手法は、データ特性を理解し、基礎となる複雑な心理的プロセスに関する意味のある関係を明らかにするために必要である。
論文 参考訳（メタデータ） (2022-12-02T13:33:36Z) - Mitigating shortage of labeled data using clustering-based active
learning with diversity exploration [3.312798619476657]
本稿ではクラスタリングに基づくアクティブラーニングフレームワーク,すなわちクラスタリングに基づくサンプリングを用いたアクティブラーニングを提案する。
重なり合うクラスを分類する学習性能を向上させるために、クラスタ境界に基づくサンプルクエリ手順が導入された。
論文 参考訳（メタデータ） (2022-07-06T20:53:28Z) - Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。
SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。
OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
論文 参考訳（メタデータ） (2021-10-15T03:25:28Z) - You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。
分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。
代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文 参考訳（メタデータ） (2021-06-03T14:59:59Z) - A New Parallel Adaptive Clustering and its Application to Streaming Data [0.0]
本稿では,適切な数のクラスを同時に選択しながら,自動的にデータを分類する並列適応クラスタリング(pac)アルゴリズムを提案する。
並列スレッドの結果を効率よくクラスタリングする正規化セット mik-means を開発した。
提案手法の性能を特徴付けるための理論的解析と数値実験を行う。
論文 参考訳（メタデータ） (2021-04-06T17:18:56Z) - Dynamic Clustering in Federated Learning [15.37652170495055]
本稿では,生成型逆ネットワーク型クラスタリング,クラスタキャリブレーション,クラスタ分割という3相データクラスタリングアルゴリズムを提案する。
提案アルゴリズムは,セルラーネットワークハンドオーバを含む予測モデルの性能を43%向上させる。
論文 参考訳（メタデータ） (2020-12-07T15:30:07Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z) - LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。
本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。
CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文 参考訳（メタデータ） (2020-06-17T17:58:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。