論文の概要: Multiple Flat Projections for Cross-manifold Clustering

• arxiv url: http://arxiv.org/abs/2002.06739v1
• Date: Mon, 17 Feb 2020 02:16:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 12:00:13.839373
• Title: Multiple Flat Projections for Cross-manifold Clustering
• Title（参考訳）: クロス多様体クラスタリングのための多重フラット投影
• Authors: Lan Bai, Yuan-Hai Shao, Wei-Jie Chen, Zhen Wang, Nai-Yang Deng
• Abstract要約: クロスマニフォールドクラスタリングは難しいトピックであり、クロスマニフォールド構造のために多くの伝統的なクラスタリング手法が失敗する。 本稿では,マルチフラット・プロジェクション・クラスタリング(Multiple Flat Projections Clustering, C)を提案する。
• 参考スコア（独自算出の注目度）: 11.616653147570446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-manifold clustering is a hard topic and many traditional clustering methods fail because of the cross-manifold structures. In this paper, we propose a Multiple Flat Projections Clustering (MFPC) to deal with cross-manifold clustering problems. In our MFPC, the given samples are projected into multiple subspaces to discover the global structures of the implicit manifolds. Thus, the cross-manifold clusters are distinguished from the various projections. Further, our MFPC is extended to nonlinear manifold clustering via kernel tricks to deal with more complex cross-manifold clustering. A series of non-convex matrix optimization problems in MFPC are solved by a proposed recursive algorithm. The synthetic tests show that our MFPC works on the cross-manifold structures well. Moreover, experimental results on the benchmark datasets show the excellent performance of our MFPC compared with some state-of-the-art clustering methods.
• Abstract（参考訳）: クロスマニフォールドクラスタリングは難しい話題であり、多くの従来のクラスタリング手法はクロスマニフォールド構造のために失敗する。 本稿では,マルチフラット・プロジェクション・クラスタリング(MFPC)を提案する。 MFPCでは、与えられたサンプルは複数の部分空間に投影され、暗黙多様体のグローバル構造を発見する。 このように、クロスマンフォールドクラスタは、様々な投影と区別される。 さらに,より複雑なクロスマニフォールドクラスタリングを扱うために,カーネルトリックによる非線形多様体クラスタリングに拡張した。 MFPCにおける一連の非凸行列最適化問題は再帰的アルゴリズムによって解決される。 合成実験の結果,MFPCはクロス多様体構造でよく機能していることがわかった。 さらに,ベンチマークデータセットにおける実験結果は,最先端クラスタリング手法と比較して,mfpcの優れた性能を示す。

関連論文リスト

• Multi-level Reliable Guidance for Unpaired Multi-view Clustering [7.441454668534061]
  MRG-UMC(Multi-level Reliable Guidance for UMC) という手法を提案する。 MRG-UMCはマルチレベルクラスタリングを活用して、インナービュー、クロスビュー、コモンビューにわたる信頼できるクラスタ構造を学習する。 クロスビュー学習では、信頼性の高いビューガイダンスは、他のビューにおけるクラスタ構造の信頼性を高める。
  論文  参考訳（メタデータ） (2024-07-01T12:49:55Z)
• One-Step Late Fusion Multi-view Clustering with Compressed Subspace [29.02032034647922]
  圧縮部分空間を用いたワンステップレイトフュージョンマルチビュークラスタリング(OS-LFMVC-CS)という統合フレームワークを提案する。 コンセンサス部分空間を用いて分割行列を整列し、分割融合を最適化し、融合分割行列を用いて離散ラベルの学習を指導する。
  論文  参考訳（メタデータ） (2024-01-03T06:18:30Z)
• Persistent Homology of the Multiscale Clustering Filtration [0.9790236766474201]
  マルチスケールクラスタリングフィルタ (Multiscale Clustering filtration, MCF) と呼ばれる抽象的な単体錯体の濾過を導入する。 MCFはクラスタ割り当ての任意のパターンをスケールにエンコードし、MCFが安定した永続化図を生成することを示す。 本稿では, 合成データの数値実験において, MCFがマルチスケールクラスタリング構造の特徴付けにどのように役立つかを簡単に説明する。
  論文  参考訳（メタデータ） (2023-05-07T14:10:34Z)
• Deep Multiview Clustering by Contrasting Cluster Assignments [14.767319805995543]
  マルチビュークラスタリングは、データサンプルをクラスタに分類することで、マルチビューデータの基盤構造を明らかにすることを目的としている。 本稿では,複数のビュー間でクラスタ割り当てを対比することで,ビュー不変表現を学習し,クラスタリング結果を生成するクロスビューコントラスト学習(C)手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T06:35:54Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)
• Provable Clustering of a Union of Linear Manifolds Using Optimal Directions [8.680676599607123]
  本稿では,サブスペースクラスタリング問題に対する数少ないクローズドフォームアルゴリズムの一つであるマトリックスファクトリゼーションに基づくクラスタリング(MFC)手法について述べる。 MFCとiPursuit(Innovation Pursuit)アルゴリズムの関連性を明らかにする。
  論文  参考訳（メタデータ） (2022-01-08T02:36:25Z)
• 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)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)

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。