Fugu-MT 論文翻訳(概要): Nystr\"om Approximation with Nonnegative Matrix Factorization

論文の概要: Nystr\"om Approximation with Nonnegative Matrix Factorization

arxiv url: http://arxiv.org/abs/2008.03399v1
Date: Fri, 7 Aug 2020 23:52:59 GMT
ステータス: 処理完了
システム内更新日: 2022-11-02 00:44:55.366688
Title: Nystr\"om Approximation with Nonnegative Matrix Factorization
Title（参考訳）: 非負行列分解によるNystr\"om近似
Authors: Yongquan Fu
Abstract要約: 近接クラスタリング問題をNystr"om近似問題として効果的に定式化できることを示す。ランドマークに基づくNon negative Matrix Factorization(NMF)プロセスに基づくNystr"om近似を実装した。
参考スコア（独自算出の注目度）: 4.990119940008071
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Motivated by the needs of estimating the proximity clustering with partial distance measurements from vantage points or landmarks for remote networked systems, we show that the proximity clustering problem can be effectively formulated as the Nystr\"om approximation problem, which solves the kernel K-means clustering problem in the complex space. We implement the Nystr\"om approximation based on a landmark based Nonnegative Matrix Factorization (NMF) process. Evaluation results show that the proposed method finds nearly optimal clustering quality on both synthetic and real-world data sets as we vary the range of parameter choices and network conditions.
Abstract（参考訳）: 遠隔ネットワークシステムにおけるバンテージポイントやランドマークからの部分的距離測定で近接クラスタリングを推定する必要性から, 近接クラスタリング問題は, 複素空間におけるカーネルK平均クラスタリング問題を解くNystr\"om近似問題として効果的に定式化できることが示唆された。ランドマークに基づく非負行列分解(NMF)プロセスに基づくNystr\"om近似を実装した。評価の結果,提案手法はパラメータ選択範囲やネットワーク条件が異なるため,合成データと実世界データの両方においてクラスタリング品質がほぼ最適であることが判明した。

関連論文リスト

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)
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 k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文参考訳（メタデータ） (2023-05-12T03:01:41Z)
Sketch-and-solve approaches to k-means clustering by semidefinite programming [14.930208990741132]
我々は,k-meansクラスタリングのPeng-Wei半定緩和を高速化するためのスケッチ・アンド・ソルジ手法を提案する。データが適切に分離された場合、k平均の最適なクラスタリングを特定する。そうでなければ、我々のアプローチは最適k-平均値に高信頼な下界を与える。
論文参考訳（メタデータ） (2022-11-28T19:51:30Z)
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)
Gradient Based Clustering [72.15857783681658]
本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
論文参考訳（メタデータ） (2022-02-01T19:31:15Z)
Improving k-Means Clustering Performance with Disentangled Internal Representations [0.0]
本稿では,オートエンコーダの学習遅延符号表現の絡み合いを最適化する,シンプルなアプローチを提案する。提案手法を用いて,MNISTデータセットでは96.2%,Fashion-MNISTデータセットでは85.6%,EMNIST Balancedデータセットでは79.2%,ベースラインモデルでは79.2%であった。
論文参考訳（メタデータ） (2020-06-05T11:32:34Z)
A New Validity Index for Fuzzy-Possibilistic C-Means Clustering [6.174448419090291]
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。
論文参考訳（メタデータ） (2020-05-19T01:48:13Z)
Stable and consistent density-based clustering via multiparameter persistence [77.34726150561087]
トポロジカルデータ解析による次数-リップス構成について考察する。我々は,入力データの摂動に対する安定性を,通信間距離を用いて解析する。私たちはこれらのメソッドを、Persistableと呼ばれる密度ベースのクラスタリングのためのパイプラインに統合します。
論文参考訳（メタデータ） (2020-05-18T19:45:04Z)
Local Graph Clustering with Network Lasso [90.66817876491052]
局所グラフクラスタリングのためのネットワークLasso法の統計的および計算的性質について検討する。 nLassoによって提供されるクラスタは、クラスタ境界とシードノードの間のネットワークフローを通じて、エレガントに特徴付けられる。
論文参考訳（メタデータ） (2020-04-25T17:52:05Z)

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。