論文の概要: TECM: Transfer Evidential C-means Clustering
- arxiv url: http://arxiv.org/abs/2112.10152v1
- Date: Sun, 19 Dec 2021 13:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 05:48:43.074914
- Title: TECM: Transfer Evidential C-means Clustering
- Title（参考訳）: tecm:c-meansクラスタリングの伝達
- Authors: Lianmeng Jiao, Feng Wang, Zhun-ga Liu, and Quan Pan
- Abstract要約: クラスタリングはテキスト分析、自然言語処理、画像セグメンテーション、その他のデータマイニング分野で広く使われている。
明示的なc-means(ECM)は、オブジェクトがクラスのいくつかのサブセットに属することを許すことによって、データについてより深い洞察を与えることができる。
本稿では,トランスファーラーニングの戦略を導入することで,トランスファーファレンシャルc-means (TECM) アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 10.930058203057785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clustering is widely used in text analysis, natural language processing,
image segmentation, and other data mining fields. As a promising clustering
algorithm, the evidential c-means (ECM) can provide a deeper insight on the
data by allowing an object to belong to several subsets of classes, which
extends those of hard, fuzzy, and possibilistic clustering. However, as it
needs to estimate much more parameters than the other classical partition-based
algorithms, it only works well when the available data is sufficient and of
good quality. In order to overcome these shortcomings, this paper proposes a
transfer evidential c-means (TECM) algorithm, by introducing the strategy of
transfer learning. The objective function of TECM is obtained by introducing
barycenters in the source domain on the basis of the objective function of ECM,
and the iterative optimization strategy is used to solve the objective
function. In addition, the TECM can adapt to situation where the number of
clusters in the source domain and the target domain is different. The proposed
algorithm has been validated on synthetic and real-world datasets. Experimental
results demonstrate the effectiveness of TECM in comparison with the original
ECM as well as other representative multitask or transfer clustering
algorithms.
- Abstract（参考訳）: クラスタリングはテキスト分析、自然言語処理、画像セグメンテーション、その他のデータマイニング分野で広く使われている。
有望なクラスタリングアルゴリズムとして、明らかなc-means(ECM)は、オブジェクトがいくつかのクラスのサブセットに属し、ハード、ファジィ、および確率的クラスタリングの拡張を可能にすることによって、データに対する深い洞察を提供することができる。
しかし、他の古典的な分割ベースのアルゴリズムよりも多くのパラメータを推定する必要があるため、利用可能なデータが十分で品質が良い場合にのみうまく機能する。
これらの欠点を克服するため,本論文では,トランスファー学習の戦略を導入することで,c-means (tecm) アルゴリズムを提案する。
TECMの目的関数は、ECMの目的関数に基づいて、ソース領域にバリセンタを導入し、その目的関数を解決するために反復最適化戦略を用いる。
さらに、TECMはソースドメインとターゲットドメインのクラスタ数が異なる状況に適応することができる。
提案アルゴリズムは合成および実世界のデータセット上で検証されている。
実験により,TECMが従来のECMと他の代表的マルチタスクや転送クラスタリングアルゴリズムと比較した場合の有効性が示された。
関連論文リスト
- Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。
本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。
両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
論文 参考訳（メタデータ） (2024-06-12T08:30:16Z) - Semantic Equitable Clustering: A Simple and Effective Strategy for Clustering Vision Tokens [57.37893387775829]
textbfSemantic textbfEquitable textbfClustering (SEC) という,高速かつバランスの取れたクラスタリング手法を導入する。
SECは、グローバルなセマンティックな関連性に基づいてトークンを効率的かつ直接的な方法でクラスタ化する。
視覚言語コネクタとして機能する汎用視覚バックボーンであるSECViTを提案する。
論文 参考訳（メタデータ） (2024-05-22T04:49:00Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳（メタデータ） (2022-02-10T06:23:56Z) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-06-30T03:17:20Z) - Multi-resource allocation for federated settings: A non-homogeneous
Markov chain model [2.552459629685159]
連合設定において、エージェントは中央エージェントまたはサーバと協調し、エージェントが互いに情報を共有しない最適化問題を解決する。
本稿では,アジェント間通信のない単一共有リソースのフェデレーション設定における最適化問題のクラスを解決するために,AIMDアルゴリズムを簡単な方法で変更する方法について述べる。
シングルリソースのアルゴリズムを、スマートシティや共有エコノミー、その他多くのアプリケーションに出現する複数の異種共有リソースに拡張する。
論文 参考訳（メタデータ） (2021-04-26T19:10:00Z) - DAC: Deep Autoencoder-based Clustering, a General Deep Learning
Framework of Representation Learning [0.0]
dac,deep autoencoder-based clustering,深層ニューロンネットワークを用いてクラスタリング表現を学ぶためのデータ駆動フレームワークを提案する。
実験結果から,KMeansクラスタリングアルゴリズムの性能をさまざまなデータセット上で効果的に向上させることができた。
論文 参考訳（メタデータ） (2021-02-15T11:31:00Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳（メタデータ） (2020-10-06T16:51:09Z) - A semi-supervised sparse K-Means algorithm [3.04585143845864]
クラスタリングに必要な機能のサブグループを検出するために、教師なしスパースクラスタリング手法を用いることができる。
半教師付き手法では、ラベル付きデータを使用して制約を作成し、クラスタリングソリューションを強化することができる。
提案アルゴリズムは,他の半教師付きアルゴリズムの高性能性を保ち,また,情報的特徴から情報的特徴を識別する能力も保持していることを示す。
論文 参考訳（メタデータ） (2020-03-16T02:05:23Z)
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。