論文の概要: Multi-objective Clustering Algorithm with Parallel Games
- arxiv url: http://arxiv.org/abs/2007.05119v1
- Date: Fri, 10 Jul 2020 00:28:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 22:45:25.059142
- Title: Multi-objective Clustering Algorithm with Parallel Games
- Title（参考訳）: 並列ゲームを用いた多目的クラスタリングアルゴリズム
- Authors: Dalila Kessira and Mohand-Tahar Kechadi
- Abstract要約: 本稿では,ゲーム理論モデルを用いて多目的アプリケーション問題に対処するクラスタリング手法を提案する。
提案アルゴリズムは,1)初期プレイヤー(またはクラスタヘッド)の同定から始まり,2)初期クラスタの構成をゲームの構築によって確立し,ゲームの平衡を見出そうとする。
実験結果から,提案手法は良好な結果を得ることができ,スケーラビリティや性能の面では非常に有望であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.29005223064604074
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data mining and knowledge discovery are two important growing research fields
in the last two decades due to the abundance of data collected from various
sources. The exponentially growing volumes of generated data urge the
development of several mining techniques to feed the needs for automatically
derived knowledge. Clustering analysis (finding similar groups of data) is a
well-established and widely used approach in data mining and knowledge
discovery. In this paper, we introduce a clustering technique that uses game
theory models to tackle multi-objective application problems. The main idea is
to exploit a specific type of simultaneous move games, called congestion games.
Congestion games offer numerous advantages ranging from being succinctly
represented to possessing Nash equilibrium that is reachable in a
polynomial-time. The proposed algorithm has three main steps: 1) it starts by
identifying the initial players (or the cluster-heads), 2) it establishes the
initial clusters' composition by constructing the game and try to find the
equilibrium of the game. The third step consists of merging close clusters to
obtain the final clusters. The experimental results show that the proposed
clustering approach obtains good results and it is very promising in terms of
scalability and performance.
- Abstract（参考訳）: データマイニングと知識発見は、さまざまな情報源から収集されたデータが豊富にあるため、過去20年で重要な2つの研究分野となっている。
指数関数的に増加する生成データの量は、自動的に派生した知識のニーズを満たすためにいくつかの採掘技術の開発を促す。
クラスタリング分析(類似したデータ群を見つける)は、データマイニングと知識発見において確立され、広く使われているアプローチである。
本稿では,ゲーム理論モデルを用いて多目的アプリケーション問題に対処するクラスタリング手法を提案する。
メインのアイデアは、渋滞ゲームと呼ばれる特定のタイプの同時移動ゲームを活用することである。
混雑ゲームは、簡潔に表現されるから多項式時間で到達可能なナッシュ平衡を持つまで、多くの利点をもたらす。
提案アルゴリズムには3つのステップがある。
1)初期プレイヤー(またはクラスタヘッド)を特定することから始まる。
2) ゲームを構成することで初期クラスタの構成を確立し, ゲームの平衡を見出そうとする。
3番目のステップは、最終クラスターを得るために近接クラスタをマージする。
実験の結果,提案手法は良好な結果を得ることができ,スケーラビリティと性能の面で非常に有望であることがわかった。
関連論文リスト
- Dying Clusters Is All You Need -- Deep Clustering With an Unknown Number of Clusters [5.507296054825372]
高次元データで有意義なグループを見つけることは、データマイニングにおいて重要な課題である。
深層クラスタリング手法はこれらの課題において顕著な成果を上げている。
これらのメソッドの多くは、事前にクラスタの数を指定する必要がある。
これは、ラベル付きデータが利用できない場合、クラスタの数は通常不明であるため、大きな制限となる。
これらのアプローチのほとんどは、クラスタリングプロセスから分離されたクラスタの数を見積もっています。
論文 参考訳（メタデータ） (2024-10-12T11:04:10Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - 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) - Snapshot Spectral Clustering -- a costless approach to deep clustering
ensembles generation [0.0]
本稿では,新しいディープ・クラスタリング・アンサンブル法であるSnapshot Spectral Clusteringを提案する。
アンサンブルを作成する際の計算コストを最小化しながら、複数のデータビューを組み合わせることで得られる利益を最大化するように設計されている。
論文 参考訳（メタデータ） (2023-07-17T16:01:22Z) - One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。
そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
論文 参考訳（メタデータ） (2023-06-08T02:52:24Z) - Hard Regularization to Prevent Deep Online Clustering Collapse without
Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。
オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。
本稿では,データ拡張を必要としない手法を提案する。
論文 参考訳（メタデータ） (2023-03-29T08:23:26Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳（メタデータ） (2022-10-09T02:31:32Z) - KnAC: an approach for enhancing cluster analysis with background
knowledge and explanations [0.20999222360659603]
我々はKnAC(Knowledge Augmented Clustering)を紹介します。
KnACは任意のクラスタリングアルゴリズムの拡張として機能し、アプローチを堅牢でモデルに依存しないものにすることができる。
論文 参考訳（メタデータ） (2021-12-16T10:13:47Z) - Clustering of Big Data with Mixed Features [3.3504365823045044]
我々は混合型の大規模データのための新しいクラスタリングアルゴリズムを開発した。
このアルゴリズムは、比較的低い密度値の外れ値とクラスターを検出することができる。
本研究では,本アルゴリズムが実際に有効であることを示す実験結果を示す。
論文 参考訳（メタデータ） (2020-11-11T19:54:38Z) - Spectral Clustering with Smooth Tiny Clusters [14.483043753721256]
本稿では,データのスムーズさを初めて考慮した新しいクラスタリングアルゴリズムを提案する。
私たちのキーとなるアイデアは、スムーズなグラフを構成する小さなクラスタをクラスタ化することです。
本稿では,マルチスケールな状況に着目するが,データのスムーズさの考え方はどのクラスタリングアルゴリズムにも確実に拡張できる。
論文 参考訳（メタデータ） (2020-09-10T05:21:20Z)
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。