論文の概要: A New Validity Index for Fuzzy-Possibilistic C-Means Clustering

• arxiv url: http://arxiv.org/abs/2005.09162v1
• Date: Tue, 19 May 2020 01:48:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 12:55:52.207099
• Title: A New Validity Index for Fuzzy-Possibilistic C-Means Clustering
• Title（参考訳）: ファジィ確率的C平均クラスタリングのための新しい妥当性指標
• Authors: Mohammad Hossein Fazel Zarandi, Shahabeddin Sotudian, Oscar Castillo
• Abstract要約: Fuzzy-Possibilistic (FP)指数は、形状や密度の異なるクラスターの存在下でうまく機能する。 FPCMはファジィの度合いと典型性の度合いを事前選択する必要がある。
• 参考スコア（独自算出の注目度）: 6.174448419090291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In some complicated datasets, due to the presence of noisy data points and outliers, cluster validity indices can give conflicting results in determining the optimal number of clusters. This paper presents a new validity index for fuzzy-possibilistic c-means clustering called Fuzzy-Possibilistic (FP) index, which works well in the presence of clusters that vary in shape and density. Moreover, FPCM like most of the clustering algorithms is susceptible to some initial parameters. In this regard, in addition to the number of clusters, FPCM requires a priori selection of the degree of fuzziness and the degree of typicality. Therefore, we presented an efficient procedure for determining their optimal values. The proposed approach has been evaluated using several synthetic and real-world datasets. Final computational results demonstrate the capabilities and reliability of the proposed approach compared with several well-known fuzzy validity indices in the literature. Furthermore, to clarify the ability of the proposed method in real applications, the proposed method is implemented in microarray gene expression data clustering and medical image segmentation.
• Abstract（参考訳）: いくつかの複雑なデータセットでは、ノイズの多いデータポイントと外れ値が存在するため、クラスタの妥当性指標は最適なクラスタ数を決定するために矛盾する結果をもたらす。 本稿では, ファジィ・ポジビリスティック(FP)指数と呼ばれる, ファジィ・ポジビリスティック(FP)クラスタリングのための新しい妥当性指標を提案する。 さらに、ほとんどのクラスタリングアルゴリズムと同様、FPCMは初期パラメータの影響を受けやすい。 この点において、クラスタの数に加えて、FPCMはファジィの度合いと典型性の度合いの優先順位の選択を必要とする。 そこで本稿では,最適な値を決定するための効率的な手法を提案する。 提案手法は,複数の合成および実世界のデータセットを用いて評価されている。 最終計算結果から,提案手法の有効性と信頼性を文献でよく知られたファジィ妥当性指標と比較した。 さらに,提案手法の実際の応用性を明らかにするため,マイクロアレイ遺伝子発現データクラスタリングと医用画像セグメンテーションに提案手法を実装した。

関連論文リスト

• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Superclustering by finding statistically significant separable groups of optimal gaussian clusters [0.0]
  本稿では,BIC基準の観点から,最適なデータセットをグループ化することで,データセットをクラスタリングするアルゴリズムを提案する。 このアルゴリズムの重要な利点は、既に訓練済みのクラスタに基づいて、新しいデータの正しいスーパークラスタを予測する能力である。
  論文  参考訳（メタデータ） (2023-09-05T23:49:46Z)
• A novel cluster internal evaluation index based on hyper-balls [11.048887848164268]
  クラスタ分析において、品質を評価し、最適なクラスタ数を決定することが重要である。 本稿では,データセットの多粒度特徴付けを行い,ハイパーボールを得る。 ハイパーボール(HCVI)に基づくクラスタ内部評価指標を定義する。
  論文  参考訳（メタデータ） (2022-12-30T02:56:40Z)
• A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
  異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。 ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。 厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
  論文  参考訳（メタデータ） (2022-09-22T09:04:10Z)
• Determinantal consensus clustering [77.34726150561087]
  本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。 DPPは部分集合内の中心点の多様性を好んでいる。 DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
  論文  参考訳（メタデータ） (2021-02-07T23:48:24Z)
• 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)
• A Centroid Auto-Fused Hierarchical Fuzzy c-Means Clustering [30.709797128259236]
  CAF-HFCM(Centroid Auto-Fused Hierarchical Fuzzy c-means Method) 本稿では,Centroid Auto-Fused Hierarchical Fuzzy c-means法(CAF-HFCM)を提案する。 CAF-HFCM法はFCMの様々な変種に容易に拡張できる。
  論文  参考訳（メタデータ） (2020-04-27T12:59:22Z)
• 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。