論文の概要: Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix

• arxiv url: http://arxiv.org/abs/2008.13539v1
• Date: Mon, 31 Aug 2020 12:28:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 06:44:04.223798
• Title: Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix
• Title（参考訳）: 高次最適隣のラプラシア行列を用いたマルチビュースペクトルクラスタリング
• Authors: Weixuan Liang and Sihang Zhou and Jian Xiong and Xinwang Liu and Siwei Wang and En Zhu and Zhiping Cai and Xin Xu
• Abstract要約: マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
• 参考スコア（独自算出の注目度）: 57.11971786407279
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view spectral clustering can effectively reveal the intrinsic cluster structure among data by performing clustering on the learned optimal embedding across views. Though demonstrating promising performance in various applications, most of existing methods usually linearly combine a group of pre-specified first-order Laplacian matrices to construct the optimal Laplacian matrix, which may result in limited representation capability and insufficient information exploitation. Also, storing and implementing complex operations on the $n\times n$ Laplacian matrices incurs intensive storage and computation complexity. To address these issues, this paper first proposes a multi-view spectral clustering algorithm that learns a high-order optimal neighborhood Laplacian matrix, and then extends it to the late fusion version for accurate and efficient multi-view clustering. Specifically, our proposed algorithm generates the optimal Laplacian matrix by searching the neighborhood of the linear combination of both the first-order and high-order base Laplacian matrices simultaneously. By this way, the representative capacity of the learned optimal Laplacian matrix is enhanced, which is helpful to better utilize the hidden high-order connection information among data, leading to improved clustering performance. We design an efficient algorithm with proved convergence to solve the resultant optimization problem. Extensive experimental results on nine datasets demonstrate the superiority of our algorithm against state-of-the-art methods, which verifies the effectiveness and advantages of the proposed algorithm.
• Abstract（参考訳）: マルチビュースペクトルクラスタリングは、ビュー間の最適な埋め込みに基づいてクラスタリングを行うことにより、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 様々な応用において有望な性能を示すが、既存の方法の多くは通常、事前に特定された一階のラプラシアン行列のグループを線形に結合して最適なラプラシアン行列を構築する。 また、$n\times n$ laplacian行列の複雑な操作を格納して実装することは、集中的なストレージと計算の複雑さを引き起こす。 これらの問題に対処するために,まず高次最適近傍ラプラシアン行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案し,その後,高精度かつ効率的なマルチビュークラスタリングのために,レイトフュージョンバージョンに拡張する。 具体的には,一階および高階のラプラシアン行列の線形結合の近傍を同時に探索することにより,最適ラプラシアン行列を生成する。 これにより、学習した最適ラプラシア行列の代表能力が向上し、データ間の隠れた高次接続情報をよりよく活用することができ、クラスタリング性能が向上する。 結果の最適化問題を解くために,効率よく収束したアルゴリズムを設計する。 9つのデータセットの大規模な実験結果から,提案アルゴリズムの有効性と利点を検証する最先端手法に対するアルゴリズムの優位性を示す。

関連論文リスト

• Scalable Co-Clustering for Large-Scale Data through Dynamic Partitioning and Hierarchical Merging [7.106620444966807]
  クラスタの行と列を同時にクラスタリングすることで、よりきめ細かいグループを明らかにします。 既存のクラスタリング手法はスケーラビリティが悪く、大規模なデータを扱うことができない。 本稿では,高次元大規模データセットにおける複雑なパターンを明らかにするために,新しい,スケーラブルなコクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:47:22Z)
• One-Step Late Fusion Multi-view Clustering with Compressed Subspace [29.02032034647922]
  圧縮部分空間を用いたワンステップレイトフュージョンマルチビュークラスタリング(OS-LFMVC-CS)という統合フレームワークを提案する。 コンセンサス部分空間を用いて分割行列を整列し、分割融合を最適化し、融合分割行列を用いて離散ラベルの学習を指導する。
  論文  参考訳（メタデータ） (2024-01-03T06:18:30Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Ensemble Clustering via Co-association Matrix Self-enhancement [16.928049559092454]
  アンサンブルクラスタリングは、一連のベースクラスタリング結果を統合して、より強力なクラスタを生成する。 既存の手法は通常、同一のクラスタに2つのサンプルがグループ化された回数を測定する共連想行列(CA)に依存している。 本稿では, クラスタリング性能を向上させるために, CA行列を改善するための, 単純かつ効果的なCA行列自己拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-12T07:54:32Z)
• Multi-view Clustering via Deep Matrix Factorization and Partition Alignment [43.56334737599984]
  本稿では,深層行列分解と分割アライメントによる新しいマルチビュークラスタリングアルゴリズムを提案する。 収束性が証明された最適化問題を解くために交互最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-05-01T15:06:57Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
  本稿では,複数のクラスタリングを組み合わせ,個々の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クラスタリングアンサンブルの問題について検討する。 本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。 7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
  論文  参考訳（メタデータ） (2020-12-16T13:01:37Z)
• 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。