論文の概要: Towards Clustering-friendly Representations: Subspace Clustering via Graph Filtering

• arxiv url: http://arxiv.org/abs/2106.09874v1
• Date: Fri, 18 Jun 2021 02:21:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-21 14:24:30.900982
• Title: Towards Clustering-friendly Representations: Subspace Clustering via Graph Filtering
• Title（参考訳）: クラスタリングフレンドリな表現に向けて:グラフフィルタリングによるサブスペースクラスタリング
• Authors: Zhengrui Ma, Zhao Kang, Guangchun Luo, Ling Tian
• Abstract要約: 本稿では,スムーズな表現を実現するグラフフィルタリング手法を提案する。 画像および文書クラスタリングデータセットの実験により、我々の手法は最先端のサブスペースクラスタリング技術により改善されていることを示す。 アブレーション研究では、グラフフィルタリングがノイズを除去し、画像の構造を保存し、クラスの分離性を高めることが示されている。
• 参考スコア（独自算出の注目度）: 16.60975509085194
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Finding a suitable data representation for a specific task has been shown to be crucial in many applications. The success of subspace clustering depends on the assumption that the data can be separated into different subspaces. However, this simple assumption does not always hold since the raw data might not be separable into subspaces. To recover the ``clustering-friendly'' representation and facilitate the subsequent clustering, we propose a graph filtering approach by which a smooth representation is achieved. Specifically, it injects graph similarity into data features by applying a low-pass filter to extract useful data representations for clustering. Extensive experiments on image and document clustering datasets demonstrate that our method improves upon state-of-the-art subspace clustering techniques. Especially, its comparable performance with deep learning methods emphasizes the effectiveness of the simple graph filtering scheme for many real-world applications. An ablation study shows that graph filtering can remove noise, preserve structure in the image, and increase the separability of classes.
• Abstract（参考訳）: 特定のタスクに適したデータ表現を見つけることは、多くのアプリケーションで重要であることが示されている。 サブスペースクラスタリングの成功は、データが異なるサブスペースに分離できるという仮定に依存する。 しかし、この単純な仮定は、生データは部分空間に分離できないため、常に成り立つわけではない。 クラスタリングフレンドリー'’表現を復元し,その後のクラスタリングを容易にするために,円滑な表現を実現するグラフフィルタリング手法を提案する。 具体的には、ローパスフィルタを適用してクラスタリングに有用なデータ表現を抽出することにより、グラフの類似性をデータ特徴に注入する。 画像および文書クラスタリングデータセットの大規模な実験により、我々の手法は最先端のサブスペースクラスタリング技術により改善されていることを示す。 特に、ディープラーニング手法と同等の性能は、多くの実世界のアプリケーションに対する単純なグラフフィルタリング方式の有効性を強調している。 アブレーション研究によれば、グラフフィルタリングはノイズを除去し、画像の構造を保存し、クラスの分離性を高めることができる。

関連論文リスト

• Label Learning Method Based on Tensor Projection [82.51786483693206]
  テンソルプロジェクション(LLMTP)に基づくラベル学習手法を提案する。 行列射影変換をテンソル射影に拡張し、ビュー間の空間構造情報を活用できるようにする。 さらに、テンソルのSchatten $p$-norm正規化を導入し、異なるビューのクラスタリングラベル行列を可能な限り一貫性を持たせる。
  論文  参考訳（メタデータ） (2024-02-26T13:03:26Z)
• 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)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Learning Optimal Graph Filters for Clustering of Attributed Graphs [20.810096547938166]
  多くの現実世界のシステムは、システム内の異なるエンティティがノードによって表現され、エッジによって相互作用するグラフとして表現することができる。 グラフィカルな構造を持つ大規模なデータセットを研究する上で重要なタスクはグラフクラスタリングである。 本稿では,FIR(Finite Impulse Response)およびARMA(Autoregressive moving Average)グラフフィルタのパラメータをクラスタリングに最適化したグラフ信号処理手法を提案する。
  論文  参考訳（メタデータ） (2022-11-09T01:49:23Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
  マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。 主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。 8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
  論文  参考訳（メタデータ） (2022-01-12T18:00:29Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Smoothed Multi-View Subspace Clustering [14.77544837600836]
  本研究では,スムーズなマルチビューサブスペースクラスタリング(SMVSC)という新しいマルチビュークラスタリング手法を提案する。 グラフフィルタリングという新しい手法を用いて、各ビューのスムーズな表現を得る。 ベンチマークデータセットの実験は、我々のアプローチの優位性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T02:24:19Z)
• Structured Graph Learning for Scalable Subspace Clustering: From Single-view to Multi-view [28.779909990410978]
  グラフベースのサブスペースクラスタリング手法は有望な性能を示した。 コストのかかる時間のオーバーヘッドに遭遇し、明示的なクラスタの探索に失敗し、見えないデータポイントに一般化することはできません。 上記の3つの課題を同時に解決しようとする,スケーラブルなグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-16T03:46:11Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。