論文の概要: Expert-driven Trace Clustering with Instance-level Constraints

• arxiv url: http://arxiv.org/abs/2110.06703v1
• Date: Wed, 13 Oct 2021 13:18:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 19:56:47.174472
• Title: Expert-driven Trace Clustering with Instance-level Constraints
• Title（参考訳）: インスタンスレベルの制約によるエキスパート駆動トレースクラスタリング
• Authors: Pieter De Koninck and Klaas Nelissen and Seppe vanden Broucke and Bart Baesens and Monique Snoeck and Jochen De Weerdt
• Abstract要約: 本稿では,2つの制約付きトレースクラスタリング手法を提案する。 2つの実生活データセットを用いた広範囲な実験的評価では、我々の新しい手法は、その品質に重大な悪影響を及ぼすことなく、より正当化できるクラスタリングソリューションを実際に生成できることが示されている。
• 参考スコア（独自算出の注目度）: 3.075612718858591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Within the field of process mining, several different trace clustering approaches exist for partitioning traces or process instances into similar groups. Typically, this partitioning is based on certain patterns or similarity between the traces, or driven by the discovery of a process model for each cluster. The main drawback of these techniques, however, is that their solutions are usually hard to evaluate or justify by domain experts. In this paper, we present two constrained trace clustering techniques that are capable to leverage expert knowledge in the form of instance-level constraints. In an extensive experimental evaluation using two real-life datasets, we show that our novel techniques are indeed capable of producing clustering solutions that are more justifiable without a substantial negative impact on their quality.
• Abstract（参考訳）: プロセスマイニングの分野では、トレースやプロセスインスタンスを同様のグループに分割するために、いくつかの異なるトレースクラスタリングアプローチが存在する。 通常、この分割は、トレース間の特定のパターンや類似性に基づいており、あるいは各クラスタに対するプロセスモデルの発見によって駆動される。 しかし、これらのテクニックの主な欠点は、彼らのソリューションが一般的にドメインの専門家によって評価や正当化が難しいことである。 本稿では,インスタンスレベルの制約という形で専門家の知識を活用できる2つの制約付きトレースクラスタリング手法を提案する。 2つの実生活データセットを用いた広範囲な実験評価において,我々の新しい手法は,その品質に重大な悪影響を与えることなく,より正当なクラスタリングソリューションを生成できることを実証した。

関連論文リスト

• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
  我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。 ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。 人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:45:03Z)
• Towards Explainable Clustering: A Constrained Declarative based Approach [0.294944680995069]
  古典的クラスタリング基準の観点から,高品質なクラスタリングを実現することを目指しており,その説明が可能である。 クラスタリングに関する優れたグローバルな説明は、各クラスタの特徴を、そのオブジェクトを記述する能力を考慮して与えるべきである。 そこで我々は,ECS と呼ばれる新しい解釈可能な制約付き手法を提案する。
  論文  参考訳（メタデータ） (2024-03-26T21:00:06Z)
• Stable Cluster Discrimination for Deep Clustering [7.175082696240088]
  ディープクラスタリングは、インスタンスの表現(つまり、表現学習)を最適化し、固有のデータ分散を探索することができる。 結合された目的は、すべてのインスタンスが一様機能に崩壊する、自明な解決策を意味する。 本研究では,1段階クラスタリングにおいて,教師あり学習における一般的な識別タスクが不安定であることを示す。 新規な安定クラスタ識別(SeCu)タスクを提案し、それに応じて新しいハードネス対応クラスタリング基準を得ることができる。
  論文  参考訳（メタデータ） (2023-11-24T06:43:26Z)
• 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)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Analysis of Sparse Subspace Clustering: Experiments and Random Projection [0.0]
  クラスタリングは、顔クラスタリング、植物分類、イメージセグメンテーション、文書分類など、多くの領域で使われているテクニックである。 Sparse Subspace Clustering(スパース・サブスペース・クラスタリング)と呼ばれる強力なクラスタリングアルゴリズムを解析する。 本稿では,本手法を用いて実験を行い,スパース部分空間クラスタリングを行うために必要な計算時間を削減できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-04-01T23:55:53Z)
• A Framework for Deep Constrained Clustering [19.07636653413663]
  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。
  論文  参考訳（メタデータ） (2021-01-07T22:49:06Z)
• 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)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)

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。