論文の概要: Geometric Affinity Propagation for Clustering with Network Knowledge
- arxiv url: http://arxiv.org/abs/2103.14376v1
- Date: Fri, 26 Mar 2021 10:23:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 19:45:48.426218
- Title: Geometric Affinity Propagation for Clustering with Network Knowledge
- Title（参考訳）: ネットワーク知識を用いたクラスタリングのための幾何学的親和性伝播
- Authors: Omar Maddouri, Xiaoning Qian, and Byung-Jun Yoon
- Abstract要約: Affinity propagation (AP) は、反復的なペアワイズメッセージ更新によって最適な例の集合を洗練する強力な例ベースのアプローチであることが証明されている。
ネットワークトポロジを活用するためにAPを効果的に拡張する新しいクラスタリングアルゴリズムであるGeopic-APを提案する。
- 参考スコア（独自算出の注目度）: 14.827797643173401
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clustering data into meaningful subsets is a major task in scientific data
analysis. To date, various strategies ranging from model-based approaches to
data-driven schemes, have been devised for efficient and accurate clustering.
One important class of clustering methods that is of a particular interest is
the class of exemplar-based approaches. This interest primarily stems from the
amount of compressed information encoded in these exemplars that effectively
reflect the major characteristics of the respective clusters. Affinity
propagation (AP) has proven to be a powerful exemplar-based approach that
refines the set of optimal exemplars by iterative pairwise message updates.
However, a critical limitation is its inability to capitalize on known
networked relations between data points often available for various scientific
datasets. To mitigate this shortcoming, we propose geometric-AP, a novel
clustering algorithm that effectively extends AP to take advantage of the
network topology. Geometric-AP obeys network constraints and uses max-sum
belief propagation to leverage the available network topology for generating
smooth clusters over the network. Extensive performance assessment reveals a
significant enhancement in the quality of the clustering results when compared
to benchmark clustering schemes. Especially, we demonstrate that geometric-AP
performs extremely well even in cases where the original AP fails drastically.
- Abstract（参考訳）: データを有意義なサブセットにクラスタリングすることは、科学データ分析の主要なタスクである。
これまで、効率的で正確なクラスタリングのために、モデルベースアプローチからデータ駆動スキームまで、さまざまな戦略が考案されてきた。
特に興味深いクラスタリング手法の1つの重要なクラスは、模範的なアプローチのクラスである。
この関心は主に、各クラスタの主要な特徴を効果的に反映するこれらの例に符号化された圧縮された情報の量に由来する。
Affinity propagation (AP) は、反復的なペアワイズメッセージ更新によって最適な例の集合を洗練する強力な例ベースのアプローチであることが証明されている。
しかし、重要な制限は、様々な科学的データセットでしばしば利用できるデータポイント間の既知のネットワーク関係を活用できないことである。
この欠点を軽減するために,ネットワークトポロジを活用するためにAPを効果的に拡張する新しいクラスタリングアルゴリズムであるGeological-APを提案する。
geometry-apはネットワーク制約に従い、利用可能なネットワークトポロジを利用してネットワーク上のスムーズなクラスタを生成する。
大規模な性能評価は、ベンチマーククラスタリング方式と比較してクラスタリング結果の品質を著しく向上させる。
特に,元のAPが大幅に故障した場合においても,幾何APは極めて良好であることを示す。
関連論文リスト
- Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images [43.152314090830174]
本稿では,スパースサブスペースクラスタリングのためのマルチプライヤの交互方向法(ADMM)に基づく反復解法を展開させることにより,ハイパースペクトル画像(HSI)のための革新的なクラスタリングアーキテクチャを提案する。
提案手法は, 構造保存モジュールの一部として, K近傍近傍のアルゴリズムを用いて, HSIデータの構造特性をよく把握する。
論文 参考訳（メタデータ） (2024-04-10T15:51:46Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳（メタデータ） (2023-08-13T18:12:28Z) - A Generalized Framework for Predictive Clustering and Optimization [18.06697544912383]
クラスタリングは強力で広く使われているデータサイエンスツールです。
本稿では,予測クラスタリングのための一般化最適化フレームワークを定義する。
また,大域的最適化のためにMILP(mixed-integer linear programming)を利用する共同最適化手法を提案する。
論文 参考訳（メタデータ） (2023-05-07T19:56:51Z) - 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) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳（メタデータ） (2022-06-01T09:51:38Z) - Network Clustering for Latent State and Changepoint Detection [0.0]
本稿では,ネットワーククラスタリングのタスクに対する凸アプローチを提案する。
コンベックスネットワーククラスタリングのための効率的なアルゴリズムを提案し,その有効性を合成例で示す。
論文 参考訳（メタデータ） (2021-11-01T21:51:45Z) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳（メタデータ） (2021-08-12T02:30:38Z) - Deep adaptive fuzzy clustering for evolutionary unsupervised
representation learning [2.8028128734158164]
大規模で複雑な画像のクラスタ割り当ては、パターン認識とコンピュータビジョンにおいて重要かつ困難な作業です。
反復最適化による新しい進化的教師なし学習表現モデルを提案する。
ファジィメンバシップを利用して深層クラスタ割り当ての明確な構造を表現するディープリコンストラクションモデルに対して,共同でファジィクラスタリングを行った。
論文 参考訳（メタデータ） (2021-03-31T13:58:10Z) - 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) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z)
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。