論文の概要: A Group Norm Regularized Factorization Model for Subspace Segmentation
- arxiv url: http://arxiv.org/abs/2001.02568v2
- Date: Tue, 14 Jul 2020 09:13:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 09:40:38.495234
- Title: A Group Norm Regularized Factorization Model for Subspace Segmentation
- Title(参考訳): 部分空間分割のための群ノルム正規化分解モデル
- Authors: Xishun Wang and Zhouwang Yang and Xingye Yue and Hui Wang
- Abstract要約: 本稿では,部分空間分割のためのLRRモデルにインスパイアされた群ノルム正規化因数分解モデル(GNRFM)を提案する。
具体的には、群ノルム正規化を採用し、係数行列の列をスパースにすることで、低ランクの目的を達成する。
従来のモデルやアルゴリズムと比較して、提案手法はより高速でノイズに強いため、最終的なクラスタリング結果の方が優れている。
- 参考スコア(独自算出の注目度): 4.926716472066594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Subspace segmentation assumes that data comes from the union of different
subspaces and the purpose of segmentation is to partition the data into the
corresponding subspace. Low-rank representation (LRR) is a classic
spectral-type method for solving subspace segmentation problems, that is, one
first obtains an affinity matrix by solving a LRR model and then performs
spectral clustering for segmentation. This paper proposes a group norm
regularized factorization model (GNRFM) inspired by the LRR model for subspace
segmentation and then designs an Accelerated Augmented Lagrangian Method (AALM)
algorithm to solve this model. Specifically, we adopt group norm regularization
to make the columns of the factor matrix sparse, thereby achieving a purpose of
low rank, which means no Singular Value Decompositions (SVD) are required and
the computational complexity of each step is greatly reduced. We obtain
affinity matrices by using different LRR models and then performing cluster
testing on different sets of synthetic noisy data and real data, respectively.
Compared with traditional models and algorithms, the proposed method is faster
and more robust to noise, so the final clustering results are better. Moreover,
the numerical results show that our algorithm converges fast and only requires
approximately ten iterations.
- Abstract(参考訳): 部分空間のセグメンテーションは、データが異なる部分空間の結合から来ると仮定し、セグメンテーションの目的は、データを対応する部分空間に分割することである。
低ランク表現(LRR)は、サブスペースセグメンテーション問題を解決するための古典的なスペクトル型手法であり、まずLRRモデルを解くことで親和性行列を取得し、次にセグメンテーションのためのスペクトルクラスタリングを実行する。
本稿では,部分空間分割のためのlrrモデルに触発された群ノルム正規化分解モデル(gnrfm)を提案し,このモデルを解くために拡張ラグランジアン法(aalm)アルゴリズムを設計する。
具体的には, 因子行列の列を疎くするために群ノルム正規化を適用し, 低階の目的を達成することにより, 特異値分解 (svd) は不要となり, 各ステップの計算複雑性が大幅に低減される。
我々は、異なるLRRモデルを用いて親和性行列を取得し、それぞれ異なる合成ノイズデータと実データを用いてクラスタテストを行う。
従来のモデルやアルゴリズムと比較して、提案手法はより高速でノイズに強いため、最終的なクラスタリング結果の方が優れている。
さらに, 計算結果から, アルゴリズムは高速に収束し, 約10回しか要しないことがわかった。
関連論文リスト
- An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-30T15:57:14Z) - Mode-wise Principal Subspace Pursuit and Matrix Spiked Covariance Model [12.381700512445805]
行列データに対して行次元と列次元の両方に隠れたバリエーションを抽出するために,モードワイド・プリンシパル・サブスペース・スーツ (MOP-UP) と呼ばれる新しいフレームワークを導入する。
提案フレームワークの有効性と実用性は、シミュレーションと実データの両方の実験を通して実証される。
論文 参考訳(メタデータ) (2023-07-02T13:59:47Z) - Adaptive Graph Convolutional Subspace Clustering [10.766537212211217]
スペクトル型サブスペースクラスタリングアルゴリズムは多くのサブスペースクラスタリングアプリケーションにおいて優れた性能を示している。
本稿では,グラフ畳み込みネットワークにヒントを得たグラフ畳み込み手法を用いて特徴抽出法と係数行列制約を同時に開発する。
AGCSCを用いることで、元のデータサンプルの集合的特徴表現がサブスペースクラスタリングに適していると主張する。
論文 参考訳(メタデータ) (2023-05-05T10:27:23Z) - Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。
6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-05-21T01:47:17Z) - Optimal Variable Clustering for High-Dimensional Matrix Valued Data [3.1138411427556445]
本稿では,行列形式で配置された特徴に対して,新しい潜在変数モデルを提案する。
軽度条件下では,高次元設定でクラスタリングの整合性が得られる。
この重みを使用すれば、アルゴリズムが最小値の速度最適化であることが保証されるという意味で、最適な重みを識別する。
論文 参考訳(メタデータ) (2021-12-24T02:13:04Z) - Information-Theoretic Generalization Bounds for Iterative
Semi-Supervised Learning [81.1071978288003]
特に,情報理論の原理を用いて,反復型SSLアルゴリズムのエミュレータ一般化誤差の振る舞いを理解することを目的とする。
我々の理論的結果は、クラス条件分散があまり大きくない場合、一般化誤差の上限は反復数とともに単調に減少するが、すぐに飽和することを示している。
論文 参考訳(メタデータ) (2021-10-03T05:38:49Z) - Kernel Clustering with Sigmoid-based Regularization for Efficient
Segmentation of Sequential Data [3.8326963933937885]
セグメント化は、データシーケンスを非線形で複雑な構造を持つ複数の重複しないセグメントに分割することを目的としている。
この問題を最適に解決するための一般的なカーネルは動的プログラミング(DP)である。
最適セグメンテーションを近似するために多くのアルゴリズムが提案されているが、それらの解の品質は保証されていない。
論文 参考訳(メタデータ) (2021-06-22T04:32:21Z) - Spatially Coherent Clustering Based on Orthogonal Nonnegative Matrix
Factorization [0.0]
本稿では,クラスタメンバシップ行列の総変動(TV)正規化手順に基づく作業クラスタリングモデルを紹介する。
マトリックス支援レーザー脱離イオン化イメージング測定から得られた超スペクトルデータセット上の提案手法をすべて数値的に評価する。
論文 参考訳(メタデータ) (2021-04-25T23:40:41Z) - Multi-View Spectral Clustering with High-Order Optimal Neighborhood
Laplacian Matrix [57.11971786407279]
マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。
本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトル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, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
論文 参考訳(メタデータ) (2020-08-31T12:28:40Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - Clustering Binary Data by Application of Combinatorial Optimization
Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。
近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。
準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文 参考訳(メタデータ) (2020-01-06T23:33:31Z)
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。