論文の概要: Manifold Adaptive Multiple Kernel K-Means for Clustering
- arxiv url: http://arxiv.org/abs/2009.14389v1
- Date: Wed, 30 Sep 2020 02:07:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 22:32:31.527852
- Title: Manifold Adaptive Multiple Kernel K-Means for Clustering
- Title(参考訳): クラスタリングのためのManifold Adaptive Multiple Kernel K-Means
- Authors: Liang Du, Haiying Zhang, Xin Ren, Xiaolin Lv
- Abstract要約: 元のカーネルの代わりに、多様体適応カーネルを採用して、カーネルの局所多様体構造を統合する。
提案手法は, 様々なデータセット上で, 最先端のベースライン法よりも優れていることが確認された。
- 参考スコア(独自算出の注目度): 5.8671688602326215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiple kernel methods based on k-means aims to integrate a group of kernels
to improve the performance of kernel k-means clustering. However, we observe
that most existing multiple kernel k-means methods exploit the nonlinear
relationship within kernels, whereas the local manifold structure among
multiple kernel space is not sufficiently considered. In this paper, we adopt
the manifold adaptive kernel, instead of the original kernel, to integrate the
local manifold structure of kernels. Thus, the induced multiple manifold
adaptive kernels not only reflect the nonlinear relationship but also the local
manifold structure. We then perform multiple kernel clustering within the
multiple kernel k-means clustering framework. It has been verified that the
proposed method outperforms several state-of-the-art baseline methods on a
variety of data sets.
- Abstract(参考訳): k-meansに基づく複数のカーネルメソッドは、カーネルk-meansクラスタリングのパフォーマンスを改善するためにカーネルのグループを統合することを目的としている。
しかし,既存のマルチカーネルk平均法はカーネル内の非線形関係を利用するが,マルチカーネル空間内の局所多様体構造は十分に考慮されていない。
本稿では,カーネルの局所多様体構造を統合するために,元のカーネルではなく多様体適応型カーネルを採用する。
したがって、誘導多重多様体適応核は非線形関係だけでなく局所多様体構造も反映する。
次に、複数のカーネルk-meansクラスタリングフレームワーク内で複数のカーネルクラスタリングを実行する。
提案手法が,様々なデータセットにおける最先端のベースラインメソッドよりも優れていることが検証されている。
関連論文リスト
- 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) - Local Sample-weighted Multiple Kernel Clustering with Consensus
Discriminative Graph [73.68184322526338]
マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。
本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。
実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
論文 参考訳(メタデータ) (2022-07-05T05:00:38Z) - Recovery Guarantees for Kernel-based Clustering under Non-parametric
Mixture Models [26.847612684502998]
非パラメトリック混合モデルに基づくカーネルベースのクラスタリングアルゴリズムの統計的性能について検討する。
我々は、カーネルベースのデータクラスタリングとカーネル密度ベースのクラスタリングの間に重要な等価性を確立する。
論文 参考訳(メタデータ) (2021-10-18T17:23:54Z) - Kernel Mean Estimation by Marginalized Corrupted Distributions [96.9272743070371]
カーネル平均をヒルベルト空間で推定することは、多くのカーネル学習アルゴリズムにおいて重要な要素である。
本稿では,カーネル平均推定器としてカーネル平均推定器を提案する。
論文 参考訳(メタデータ) (2021-07-10T15:11:28Z) - Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである
本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。
合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
論文 参考訳(メタデータ) (2021-03-29T22:37:06Z) - The Impact of Isolation Kernel on Agglomerative Hierarchical Clustering
Algorithms [12.363083467305787]
AHC(Agglomerative Hierarchical Clustering)は、一般的なクラスタリング手法の1つである。
距離測定に基づく既存のAHC法では, 密度の異なる隣接クラスタの同定が困難である。
我々は,データ依存カーネル(距離や既存のカーネルではなく)を使用することによって,それに対応する効果的な手段が提供されることを示した。
論文 参考訳(メタデータ) (2020-10-12T06:18:38Z) - Isolation Distributional Kernel: A New Tool for Point & Group Anomaly
Detection [76.1522587605852]
分離分散カーネル(IDK)は2つの分布の類似性を測定する新しい方法である。
我々は、カーネルベースの異常検出のための新しいツールとして、IDKの有効性と効率を示す。
論文 参考訳(メタデータ) (2020-09-24T12:25:43Z) - SimpleMKKM: Simple Multiple Kernel K-means [49.500663154085586]
単純なマルチカーネルk-means(SimpleMKKM)と呼ばれる,単純で効果的なマルチカーネルクラスタリングアルゴリズムを提案する。
我々の基準は、カーネル係数とクラスタリング分割行列における難解な最小化最大化問題によって与えられる。
クラスタリング一般化誤差の観点から,SimpleMKKMの性能を理論的に解析する。
論文 参考訳(メタデータ) (2020-05-11T10:06:40Z) - Fast Kernel k-means Clustering Using Incomplete Cholesky Factorization [11.631064399465089]
カーネルベースのクラスタリングアルゴリズムは、データセット内の非線形構造を特定し、キャプチャすることができる。
線形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ことができる。
カーネルマトリックス全体の計算と保存は非常に大きなメモリを占有しているため、カーネルベースのクラスタリングが大規模なデータセットを扱うことは困難である。
論文 参考訳(メタデータ) (2020-02-07T15:32:14Z)
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。