論文の概要: ConiVAT: Cluster Tendency Assessment and Clustering with Partial Background Knowledge

• arxiv url: http://arxiv.org/abs/2008.09570v2
• Date: Mon, 28 Sep 2020 17:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 21:10:51.528606
• Title: ConiVAT: Cluster Tendency Assessment and Clustering with Partial Background Knowledge
• Title（参考訳）: ConiVAT: 部分的バックグラウンド知識によるクラスタの傾向評価とクラスタリング
• Authors: Punit Rathore, James C. Bezdek, Paolo Santi, Carlo Ratti
• Abstract要約: ConiVATは制約ベースのiVATで、制約の形でバックグラウンド知識を利用する。 本研究では,9つのデータセット上での視覚的アセスメントと単一リンククラスタリングに対するConiVATアプローチを実証する。
• 参考スコア（独自算出の注目度）: 11.600065064765325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The VAT method is a visual technique for determining the potential cluster structure and the possible number of clusters in numerical data. Its improved version, iVAT, uses a path-based distance transform to improve the effectiveness of VAT for "tough" cases. Both VAT and iVAT have also been used in conjunction with a single-linkage(SL) hierarchical clustering algorithm. However, they are sensitive to noise and bridge points between clusters in the dataset, and consequently, the corresponding VAT/iVAT images are often in-conclusive for such cases. In this paper, we propose a constraint-based version of iVAT, which we call ConiVAT, that makes use of background knowledge in the form of constraints, to improve VAT/iVAT for challenging and complex datasets. ConiVAT uses the input constraints to learn the underlying similarity metric and builds a minimum transitive dissimilarity matrix, before applying VAT to it. We demonstrate ConiVAT approach to visual assessment and single linkage clustering on nine datasets to show that, it improves the quality of iVAT images for complex datasets, and it also overcomes the limitation of SL clustering with VAT/iVAT due to "noisy" bridges between clusters. Extensive experiment results on nine datasets suggest that ConiVAT outperforms the other three semi-supervised clustering algorithms in terms of improved clustering accuracy.
• Abstract（参考訳）: VAT法は、数値データ中の潜在的なクラスタ構造と可能なクラスタ数を決定するための視覚的手法である。 改良されたiVATは、パスベースの距離変換を使用して、"粗い"ケースに対するVATの有効性を改善する。 VATもiVATも単一リンク(SL)階層クラスタリングアルゴリズムと併用して使用されている。 しかしながら、データセット内のクラスタ間のノイズやブリッジポイントに敏感であり、その結果、対応するVAT/iVAT画像は、そのような場合、しばしば決定的ではない。 本稿では,制約の形で背景知識を利用するConiVATと呼ばれる制約ベースのiVATを提案し,課題のある複雑なデータセットに対してVAT/iVATを改善する。 ConiVATは入力制約を使って、基礎となる類似度計量を学習し、VATを適用する前に最小の推移的異性行列を構築する。 複雑なデータセットに対するiVAT画像の品質向上と,クラスタ間の"ノイズ"ブリッジによるVAT/iVATによるSLクラスタリングの制限を克服することを示すため,9つのデータセット上での視覚的アセスメントと単一リンククラスタリングに対するConiVATアプローチを実証した。 9つのデータセットの大規模な実験結果から、ConiVATは他の3つの半教師付きクラスタリングアルゴリズムよりも、クラスタリング精度が向上していることが示唆された。

関連論文リスト

• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• DeepVAT: A Self-Supervised Technique for Cluster Assessment in Image Datasets [1.911666854588103]
  従来のクラスタリングアルゴリズムでは、ラベルのない、複雑な、高次元のデータセット(画像など)のクラスタ数やクラスタ構造を見積もることは難しい。 複雑な画像データセットにおけるクラスタ構造の評価を可能にするディープラーニングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T22:32:39Z)
• 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)
• CADIS: Handling Cluster-skewed Non-IID Data in Federated Learning with Clustered Aggregation and Knowledge DIStilled Regularization [3.3711670942444014]
  フェデレーション学習は、エッジデバイスがデータを公開することなく、グローバルモデルを協調的にトレーニングすることを可能にする。 我々は、実際のデータセットで発見されたクラスタスキュード非IIDと呼ばれる新しいタイプの非IIDデータに取り組む。 本稿では,クラスタ間の平等を保証するアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2023-02-21T02:53:37Z)
• Weakly Supervised Video Anomaly Detection Based on Cross-Batch Clustering Guidance [39.43891080713327]
  ビデオレベルのラベルのみをトレーニングできるため、弱教師付きビデオ異常検出(WSVAD)は難しい課題である。 本稿では,クロスバッチクラスタリングガイダンスに基づく新しいWSVAD手法を提案する。
  論文  参考訳（メタデータ） (2022-12-16T14:38:30Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Contrastive Clustering [57.71729650297379]
  本稿では,インスタンスレベルのコントラスト学習を明示的に行うContrastive Clustering (CC)を提案する。 特にCCは、CIFAR-10(CIFAR-100)データセット上で0.705(0.431)のNMIを達成しており、最高のベースラインと比較して最大19%(39%)のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-09-21T08:54:40Z)
• iCVI-ARTMAP: Accelerating and improving clustering using adaptive resonance theory predictive mapping and incremental cluster validity indices [1.160208922584163]
  iCVI-ARTMAPは、インクリメンタルクラスタ妥当性指標(iCVI)を使用して教師なし学習を行う。 バッチCVI計算を使用する場合よりも、最大2桁の実行時間を実現することができる。
  論文  参考訳（メタデータ） (2020-08-22T19:37:01Z)
• Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
  弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。 本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-03-18T17:53:33Z)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。