論文の概要: Compositional Affinity Propagation: When Clusters Have Compositional
Structure
- arxiv url: http://arxiv.org/abs/2109.04160v1
- Date: Thu, 9 Sep 2021 10:42:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 14:08:40.021432
- Title: Compositional Affinity Propagation: When Clusters Have Compositional
Structure
- Title(参考訳): 組成親和性伝播:クラスターが組成構造を持つとき
- Authors: Jacob Whitehill and Zeqian Li
- Abstract要約: クラスタが互いに独立していなくてもよい,新たなタイプのクラスタリング問題を考える。
既存のクラスタリングアルゴリズムと比較して,MultiMNIST,OmniGlot,LibriSpeechの各データセットで有望な結果を示す。
本研究は,複数話者からの同時音声によるマルチオブジェクト画像認識と話者ダイアリゼーションへの応用について述べる。
- 参考スコア(独自算出の注目度): 26.701964277154076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider a new kind of clustering problem in which clusters need not be
independent of each other, but rather can have compositional relationships with
other clusters (e.g., an image set consists of rectangles, circles, as well as
combinations of rectangles and circles). This task is motivated by recent work
in few-shot learning on compositional embedding models that structure the
embedding space to distinguish the label sets, not just the individual labels,
assigned to the examples. To tackle this clustering problem, we propose a new
algorithm called Compositional Affinity Propagation (CAP). In contrast to
standard Affinity Propagation as well as other algorithms for multi-view and
hierarchical clustering, CAP can deduce compositionality among clusters
automatically. We show promising results, compared to several existing
clustering algorithms, on the MultiMNIST, OmniGlot, and LibriSpeech datasets.
Our work has applications to multi-object image recognition and speaker
diarization with simultaneous speech from multiple speakers.
- Abstract(参考訳): クラスタ同士が独立していなくてもよい,むしろ他のクラスタとの合成関係を持つ(例えば,矩形,円,長方形,円の組み合わせからなるイメージ集合)ような,新たな種類のクラスタリング問題を考える。
この課題は、例えば個々のラベルだけでなく、ラベル集合を識別するために埋め込み空間を構成する合成埋め込みモデルに関する最近の研究によって動機づけられている。
このクラスタリング問題に対処するために,コンポジション親和性伝播(CAP)と呼ばれる新しいアルゴリズムを提案する。
標準的な親和性伝播や、マルチビューや階層クラスタリングのアルゴリズムとは対照的に、CAPはクラスタ間の構成性を自動的に推論することができる。
既存のクラスタリングアルゴリズムと比較して,MultiMNIST,OmniGlot,LibriSpeechの各データセットで有望な結果を示す。
本研究は,複数話者からの同時音声によるマルチオブジェクト画像認識と話者ダイアリゼーションに適用する。
関連論文リスト
- Text-Guided Alternative Image Clustering [11.103514372355088]
この研究は、代替画像クラスタリングを容易にするために、大きな視覚言語モデルの可能性を探るものである。
本稿では,ユーザの興味をプロンプトを通じて活用する新たなアプローチとして,テキストガイドによる代替イメージコンセンサスクラスタリング(TGAICC)を提案する。
TGAICCは、4つの代替イメージクラスタリングベンチマークデータセットで画像とテキストベースのベースラインを上回っている。
論文 参考訳(メタデータ) (2024-06-07T08:37:57Z) - Rethinking cluster-conditioned diffusion models [1.597617022056624]
画像クラスタリングに関する個々のコンポーネントが3つのデータセット間の画像合成にどのように影響するかを明らかにする。
画像合成(視覚群)に関して最適なクラスタの粒度を考えると,クラスタコンディショニングは最先端のFIDを実現することができる。
本稿では,特徴に基づくクラスタリングのみを用いて,視覚群の探索空間を小さくする上層クラスタ境界を導出する手法を提案する。
論文 参考訳(メタデータ) (2024-03-01T14:47:46Z) - Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。
クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。
提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2023-10-30T00:32:47Z) - Visualizing Overlapping Biclusterings and Boolean Matrix Factorizations [7.509129971169722]
重なり合うクラスタのクラスタリングを二部グラフで可視化する問題について検討する。
優れた視覚化が満たすべき3つの異なる目的を概念化します。
実世界のデータセットの実験では、これらの競合する目標間の最良のトレードオフは、小説によって達成される。
論文 参考訳(メタデータ) (2023-07-14T15:12:55Z) - Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。
本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
論文 参考訳(メタデータ) (2023-06-18T08:46:06Z) - CLUSTSEG: Clustering for Universal Segmentation [56.58677563046506]
CLUSTSEGは画像セグメンテーションのための一般的なトランスフォーマーベースのフレームワークである。
これは、統合されたニューラルクラスタリングスキームを通じて、異なるイメージセグメンテーションタスク(スーパーピクセル、セマンティック、インスタンス、パノプティクス)に取り組む。
論文 参考訳(メタデータ) (2023-05-03T15:31:16Z) - 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) - 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) - Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。
SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。
OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
論文 参考訳(メタデータ) (2021-10-15T03:25:28Z) - Efficient Algorithms for Generating Provably Near-Optimal Cluster
Descriptors for Explainability [36.11663695534294]
本稿では,クラスタに対する簡潔な表現を構築するための最近のアプローチを拡張して,クラスタをより解釈しやすくする問題について検討する。
我々は,その問題に対する性能保証を証明可能な近似アルゴリズムを開発した。
また、異なる脅威レベルを表すゲノム配列のクラスタを含むデータセットからのクラスタを説明するアプリケーションを示す。
論文 参考訳(メタデータ) (2020-02-06T19:49:54Z)
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。