Fugu-MT 論文翻訳(概要): SimpleMKKM: Simple Multiple Kernel K-means

論文の概要: SimpleMKKM: Simple Multiple Kernel K-means

arxiv url: http://arxiv.org/abs/2005.04975v2
Date: Tue, 12 May 2020 14:05:04 GMT
ステータス: 処理完了
システム内更新日: 2022-12-04 19:34:31.388729
Title: SimpleMKKM: Simple Multiple Kernel K-means
Title（参考訳）: simplemkkm: 単純な多重カーネルk-means
Authors: Xinwang Liu, En Zhu, Jiyuan Liu, Timothy Hospedales, Yang Wang, Meng Wang
Abstract要約: 単純なマルチカーネルk-means(SimpleMKKM)と呼ばれる,単純で効果的なマルチカーネルクラスタリングアルゴリズムを提案する。我々の基準は、カーネル係数とクラスタリング分割行列における難解な最小化最大化問題によって与えられる。クラスタリング一般化誤差の観点から,SimpleMKKMの性能を理論的に解析する。
参考スコア（独自算出の注目度）: 49.500663154085586
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a simple yet effective multiple kernel clustering algorithm, termed simple multiple kernel k-means (SimpleMKKM). It extends the widely used supervised kernel alignment criterion to multi-kernel clustering. Our criterion is given by an intractable minimization-maximization problem in the kernel coefficient and clustering partition matrix. To optimize it, we re-formulate the problem as a smooth minimization one, which can be solved efficiently using a reduced gradient descent algorithm. We theoretically analyze the performance of SimpleMKKM in terms of its clustering generalization error. Comprehensive experiments on 11 benchmark datasets demonstrate that SimpleMKKM outperforms state of the art multi-kernel clustering alternatives.
Abstract（参考訳）: 本稿では,単純なマルチカーネルk-means (SimpleMKKM) と呼ばれる,単純で効果的なマルチカーネルクラスタリングアルゴリズムを提案する。広く使われているカーネルアライメント基準をマルチカーネルクラスタリングに拡張する。我々の基準は、カーネル係数とクラスタリング分割行列における難解な最小化最大化問題によって与えられる。最適化のために, 勾配降下法を用いて効率よく解けるスムーズな最小化法として, 問題を再定式化する。クラスタリング一般化誤差の観点から,SimpleMKKMの性能を理論的に解析する。 11のベンチマークデータセットに関する総合的な実験は、SimpleMKKMが、最先端のマルチカーネルクラスタリングの選択肢よりも優れていることを示している。

関連論文リスト

Multiple kernel concept factorization algorithm based on global fusion [9.931283387968856]
教師なし環境では、特定のデータセットに対して適切なカーネル関数を設計または選択するために、Globalized Multiple Kernel(GMKCF)と呼ばれる新しいアルゴリズムが提案された。提案アルゴリズムは,Kernel K-Means(KKM), Spectral Clustering(SC), CF Kernel(KCF), Co-regularized Multi-view spectrum clustering(Coreg), Robust Multiple KKM(RMKKM)などのデータクラスタリングにおける比較アルゴリズムより優れている。
論文参考訳（メタデータ） (2024-10-27T09:13:57Z)
Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-24T08:59:51Z)
MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-29T05:59:52Z)
Accelerated sparse Kernel Spectral Clustering for large scale data clustering problems [0.27257174044950283]
本稿では、スパースマルチウェイカーネルスペクトルクラスタリング(KSC)の改良版について述べる。元のアルゴリズムは、プライマリ・デュアルの最小二乗サポートベクターマシン(LS-SVM)フレームワークで定式化された重み付きカーネル主成分分析から導かれる。次に、不完全コレスキー分解(ICD)に基づくカーネル行列の低階近似といわゆるreduced set法を組み合わせることにより、スパーシリティが達成される。
論文参考訳（メタデータ） (2023-10-20T09:51:42Z)
Multi-Prototypes Convex Merging Based K-Means Clustering Algorithm [20.341309224377866]
マルチプロトタイプの凸マージに基づくK-Meansクラスタリングアルゴリズム(MCKM)を提案する。 MCKM は K-Means 問題の望ましくない局所最小値から k を優先せずに逃れるための効率的で説明可能なクラスタリングアルゴリズムである。
論文参考訳（メタデータ） (2023-02-14T13:57:33Z)
Multiple Kernel Clustering with Dual Noise Minimization [56.009011016367744]
マルチカーネルクラスタリング(MKC)は、ベースカーネルから補完的な情報を統合することでデータをグループ化する。本稿では,双対雑音を厳密に定義し,パラメータフリーなMKCアルゴリズムを提案する。二重ノイズはブロック対角構造を汚染し,クラスタリング性能の劣化を招き,CノイズはNノイズよりも強い破壊を示す。
論文参考訳（メタデータ） (2022-07-13T08:37:42Z)
Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph [73.68184322526338]
マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2022-07-05T05:00:38Z)
Kernel k-Means, By All Means: Algorithms and Strong Consistency [21.013169939337583]
Kernel $k$クラスタリングは、非線形データの教師なし学習のための強力なツールである。本稿では,最適化された局所解に対処するための一般的な手法を応用した結果を一般化する。我々のアルゴリズムは、この非線形分離問題をよりよく解くために、Magricalization-minimization (MM) を利用している。
論文参考訳（メタデータ） (2020-11-12T16:07:18Z)
Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
論文参考訳（メタデータ） (2020-09-27T14:16:14Z)
Fast Kernel k-means Clustering Using Incomplete Cholesky Factorization [11.631064399465089]
カーネルベースのクラスタリングアルゴリズムは、データセット内の非線形構造を特定し、キャプチャすることができる。線形クラスタリングよりも優れたパフォーマンスを実現することができる。カーネルマトリックス全体の計算と保存は非常に大きなメモリを占有しているため、カーネルベースのクラスタリングが大規模なデータセットを扱うことは困難である。
論文参考訳（メタデータ） (2020-02-07T15:32:14Z)

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。