論文の概要: Generalized Clustering and Multi-Manifold Learning with Geometric Structure Preservation

• arxiv url: http://arxiv.org/abs/2009.09590v4
• Date: Sat, 9 Oct 2021 02:53:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 03:49:00.171357
• Title: Generalized Clustering and Multi-Manifold Learning with Geometric Structure Preservation
• Title（参考訳）: 幾何学的構造保存による一般化クラスタリングと多次元学習
• Authors: Lirong Wu, Zicheng Liu, Zelin Zang, Jun Xia, Siyuan Li, Stan. Z Li
• Abstract要約: 一般化データのための幾何構造を保存した新しい汎用クラスタリング・マルチマニフォールド学習(GCML)フレームワークを提案する。 提案フレームワークでは,クラスタリング損失によって導かれる潜在空間において,多様体クラスタリングを行う。 クラスタリング指向の損失が潜伏空間の幾何学的構造を悪化させるという問題を克服するため, 局所的に多様体内構造を保存するための等尺的損失と, グローバルな多様体間構造のランキング損失が提案されている。
• 参考スコア（独自算出の注目度）: 47.65743823937763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Though manifold-based clustering has become a popular research topic, we observe that one important factor has been omitted by these works, namely that the defined clustering loss may corrupt the local and global structure of the latent space. In this paper, we propose a novel Generalized Clustering and Multi-manifold Learning (GCML) framework with geometric structure preservation for generalized data, i.e., not limited to 2-D image data and has a wide range of applications in speech, text, and biology domains. In the proposed framework, manifold clustering is done in the latent space guided by a clustering loss. To overcome the problem that the clustering-oriented loss may deteriorate the geometric structure of the latent space, an isometric loss is proposed for preserving intra-manifold structure locally and a ranking loss for inter-manifold structure globally. Extensive experimental results have shown that GCML exhibits superior performance to counterparts in terms of qualitative visualizations and quantitative metrics, which demonstrates the effectiveness of preserving geometric structure.
• Abstract（参考訳）: 多様体に基づくクラスタリングは一般的な研究トピックとなっているが、これらの研究によって1つの重要な要素が省略されている、すなわち、定義されたクラスタリング損失が潜在空間の局所的および大域的構造を損なう可能性があることを観察する。 本稿では,2次元画像データに限らず,音声,テキスト,生物学領域に幅広く応用可能な,幾何学的構造保存を備えた新しい一般化クラスタリング・多次元学習(gcml)フレームワークを提案する。 提案フレームワークでは,クラスタリング損失によって導かれる潜在空間において,多様体クラスタリングを行う。 クラスタリング指向の損失が潜伏空間の幾何学的構造を悪化させるという問題を克服するため, 局所的に多様体内構造を保存するための等尺的損失と, グローバルな多様体間構造のランキング損失を提案する。 総合的な実験結果から,GCMLは定性的な可視化や定量化の点で他よりも優れた性能を示し,幾何構造を保存することの有効性を示した。

関連論文リスト

• ClusterGraph: a new tool for visualization and compression of multidimensional data [0.0]
  本稿では,任意のクラスタリングアルゴリズムの出力に付加的なレイヤを提供する。 クラスタリングアルゴリズムから得られたクラスタのグローバルなレイアウトに関する情報を提供する。
  論文  参考訳（メタデータ） (2024-11-08T09:40:54Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Scalable manifold learning by uniform landmark sampling and constrained locally linear embedding [0.6144680854063939]
  本研究では,大規模・高次元データを効率的に操作できるスケーラブルな多様体学習法を提案する。 異なるタイプの合成データセットと実世界のベンチマークにおけるSCMLの有効性を実証的に検証した。 scMLはデータサイズや埋め込み次元の増大とともにスケールし、グローバル構造を保存する上で有望なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-01-02T08:43:06Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Local and Global Structure Preservation Based Spectral Clustering [1.8047694351309205]
  本稿では、スペクトルクラスタリングをLGPSC(Local and Global Structure Preservation Based Spectral Clustering)に拡張する。 LGPSCは、グローバル構造とローカル近隣構造の両方を同時に組み込んでいる。
  論文  参考訳（メタデータ） (2022-10-23T16:36:05Z)
• Enhancing cluster analysis via topological manifold learning [0.3823356975862006]
  クラスタ化前にデータセットのトポロジ構造を推定することで,クラスタ検出を大幅に向上させることができることを示す。 位相構造を推定するための多様体学習法UMAPと密度に基づくクラスタリング法DBSCANを組み合わせた。
  論文  参考訳（メタデータ） (2022-07-01T15:53:39Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
  本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。 第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。 第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
  論文  参考訳（メタデータ） (2021-03-08T03:04:14Z)
• 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)

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。