論文の概要: A Framework for Deep Constrained Clustering
- arxiv url: http://arxiv.org/abs/2101.02792v1
- Date: Thu, 7 Jan 2021 22:49:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 13:32:33.276054
- Title: A Framework for Deep Constrained Clustering
- Title(参考訳): 深い制約付きクラスタリングのためのフレームワーク
- Authors: Hongjing Zhang, Tianyang Zhan, Sugato Basu, Ian Davidson
- Abstract要約: 制約付きクラスタリングは、k平均、混合モデル、スペクトルクラスタリングなどの一般的なアルゴリズムには存在するが、いくつかの制限がある。
ここでは、制約クラスタリングのためのディープラーニングフレームワークを探索し、特に制約クラスタリングの分野を拡張する方法について検討します。
我々のフレームワークは、ラベル付き側情報から生成された標準的制約や部分的制約(先に報告した十分な文書化された負の影響を伴わない)を扱えないことを示す。
これら4種類の制約に一般的に適用できる効率的なトレーニングパラダイムを提案します。
- 参考スコア(独自算出の注目度): 19.07636653413663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The area of constrained clustering has been extensively explored by
researchers and used by practitioners. Constrained clustering formulations
exist for popular algorithms such as k-means, mixture models, and spectral
clustering but have several limitations. A fundamental strength of deep
learning is its flexibility, and here we explore a deep learning framework for
constrained clustering and in particular explore how it can extend the field of
constrained clustering. We show that our framework can not only handle standard
together/apart constraints (without the well documented negative effects
reported earlier) generated from labeled side information but more complex
constraints generated from new types of side information such as continuous
values and high-level domain knowledge. Furthermore, we propose an efficient
training paradigm that is generally applicable to these four types of
constraints. We validate the effectiveness of our approach by empirical results
on both image and text datasets. We also study the robustness of our framework
when learning with noisy constraints and show how different components of our
framework contribute to the final performance. Our source code is available at
$\href{https://github.com/blueocean92/deep_constrained_clustering}{\text{URL}}$.
- Abstract(参考訳): 制約クラスタリングの領域は研究者によって広く調査され、実践者によって使用されている。
制約付きクラスタリングは、k平均、混合モデル、スペクトルクラスタリングなどの一般的なアルゴリズムには存在するが、いくつかの制限がある。
ディープラーニングの基本的な強みはその柔軟性であり、ここでは制約付きクラスタリングのためのディープラーニングフレームワークを探求し、特に制約付きクラスタリングの分野を拡張する方法について検討する。
当社のフレームワークは、ラベル付きサイド情報から生成される標準の結合/部分制約(先に報告した十分に文書化されたネガティブな影響を除く)だけでなく、継続的値やハイレベルなドメイン知識といった新しいタイプのサイド情報から生成されるより複雑な制約を扱えます。
さらに,これら4種類の制約に適用可能な,効率的なトレーニングパラダイムを提案する。
画像とテキストの両方のデータセットに対する実験結果によるアプローチの有効性を検証する。
また、ノイズの多い制約で学習する際のフレームワークの堅牢性を調べ、フレームワークの異なるコンポーネントが最終的なパフォーマンスにどのように貢献するかを示します。
ソースコードは$\href{https://github.com/blueocean92/deep_constrained_clustering}{\text{url}}$で利用可能です。
関連論文リスト
- Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。
既存のSHGLメソッドには2つの大きな制限がある。
ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2024-12-01T09:33:20Z) - Spectral Clustering in Convex and Constrained Settings [0.0]
半定スペクトルクラスタリングにペアワイズ制約をシームレスに統合する新しいフレームワークを提案する。
本手法は,半定スペクトルクラスタリングによって複雑なデータ構造を捕捉する能力を体系的に拡張する。
論文 参考訳(メタデータ) (2024-04-03T18:50:14Z) - DivClust: Controlling Diversity in Deep Clustering [47.85350249697335]
DivClustはコンセンサスクラスタリングソリューションを生成し、単一クラスタリングベースラインを一貫して上回る。
提案手法は, フレームワークやデータセット間の多様性を, 計算コストを極めて小さく効果的に制御する。
論文 参考訳(メタデータ) (2023-04-03T14:45:43Z) - Hard Regularization to Prevent Deep Online Clustering Collapse without
Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。
オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。
本稿では,データ拡張を必要としない手法を提案する。
論文 参考訳(メタデータ) (2023-03-29T08:23:26Z) - Deep Clustering with a Constraint for Topological Invariance based on
Symmetric InfoNCE [10.912082501425944]
このシナリオでは、非複雑なトポロジと複雑なトポロジデータセットの両方で、最先端のディープクラスタリング手法がうまく機能することはない。
本稿では,モデル学習シナリオにおける深層クラスタリング手法の目的を支援する対称InfoNCEを用いた制約を提案する。
提案手法の有効性を確認するため,既存のディープクラスタリング手法と我々の制約を組み合わせたMISTと呼ばれるディープクラスタリング手法を提案する。
論文 参考訳(メタデータ) (2023-03-06T11:05:21Z) - Semi-Supervised Constrained Clustering: An In-Depth Overview, Ranked
Taxonomy and Future Research Directions [2.5957372084704238]
制約クラスタリングの研究領域は、長年にわたって大きく成長してきた。
利用可能なさまざまなメソッド、制約、ベンチマークを簡単に理解するために、統一された概要は提供されていない。
本研究では,制約クラスタリングの背景を詳細に分析し,制約クラスタリングに使用できる制約の種類を分類する。
論文 参考訳(メタデータ) (2023-02-28T17:46:31Z) - Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳(メタデータ) (2022-10-09T02:31:32Z) - Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。
本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-11T13:38:09Z) - Fairness, Semi-Supervised Learning, and More: A General Framework for
Clustering with Stochastic Pairwise Constraints [32.19047459493177]
我々は,いくつかの本質的クラスタリングの目的に組み込んだ,新しいemphstochastic pairwise制約系を導入する。
これらの制約は,半教師付き学習における emphinvidual fairness や emphmust-link 制約など,興味をそそるアプリケーションの集合を簡潔にモデル化できることを示す。
論文 参考訳(メタデータ) (2021-03-02T20:27:58Z) - 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) - An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。
特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。
提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文 参考訳(メタデータ) (2020-06-18T20:09:53Z)
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。