論文の概要: Biclustering Algorithms Based on Metaheuristics: A Review
- arxiv url: http://arxiv.org/abs/2203.16241v1
- Date: Wed, 30 Mar 2022 12:16:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 22:11:05.901425
- Title: Biclustering Algorithms Based on Metaheuristics: A Review
- Title(参考訳): メタヒューリスティックスに基づくバイクラスタ化アルゴリズム
- Authors: Adan Jose-Garcia, Julie Jacques, Vincent Sobanski, Clarisse Dhaenens
- Abstract要約: Biclusteringは、データマトリックス内の行と列を同時にクラスタする、教師なしの機械学習技術である。
重要な双クラスターを見つけることは最適化問題として定式化できるNPハード問題である。
複雑な最適化問題を妥当な時間で解く探索能力のために、様々なメタヒューリスティックが双クラスタリング問題に適用されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biclustering is an unsupervised machine learning technique that
simultaneously clusters rows and columns in a data matrix. Biclustering has
emerged as an important approach and plays an essential role in various
applications such as bioinformatics, text mining, and pattern recognition.
However, finding significant biclusters is an NP-hard problem that can be
formulated as an optimization problem. Therefore, different metaheuristics have
been applied to biclustering problems because of their exploratory capability
of solving complex optimization problems in reasonable computation time.
Although various surveys on biclustering have been proposed, there is a lack of
a comprehensive survey on the biclustering problem using metaheuristics. This
chapter will present a survey of metaheuristics approaches to address the
biclustering problem. The review focuses on the underlying optimization methods
and their main search components: representation, objective function, and
variation operators. A specific discussion on single versus multi-objective
approaches is presented. Finally, some emerging research directions are
presented.
- Abstract(参考訳): biclusteringは教師なしの機械学習技術で、行と列を同時にデータマトリックスにまとめる。
ビクラスタリングは、バイオインフォマティクス、テキストマイニング、パターン認識など、様々な応用において重要な役割を担っている。
しかし、重要な双クラスターを見つけることは最適化問題として定式化できるNPハード問題である。
したがって、複雑な最適化問題を合理的な計算時間で解く探索的能力があるため、異なるメタヒューリスティックスがバイクラスタ問題に適用されている。
ビクラスタリングに関する様々な調査が提案されているが、メタヒューリスティックスを用いたビクラスタリング問題に関する包括的調査は行われていない。
本章では,二重クラスター問題に対するメタヒューリスティックスアプローチに関する調査を行う。
本総説では,表現,目的関数,変動演算子など,基礎となる最適化手法とその主な探索成分について述べる。
単目的と多目的のアプローチに関する具体的な議論を紹介する。
最後に、新たな研究の方向性を示す。
関連論文リスト
- 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) - One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。
そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
論文 参考訳(メタデータ) (2023-06-08T02:52:24Z) - 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) - Differentially-Private Clustering of Easy Instances [67.04951703461657]
異なるプライベートクラスタリングでは、個々のデータポイントに関する情報を公開せずに、$k$のクラスタセンターを特定することが目標だ。
我々は、データが"簡単"である場合にユーティリティを提供する実装可能な差分プライベートクラスタリングアルゴリズムを提供する。
我々は、非プライベートクラスタリングアルゴリズムを簡単なインスタンスに適用し、結果をプライベートに組み合わせることのできるフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-29T08:13:56Z) - Fast and Interpretable Consensus Clustering via Minipatch Learning [0.0]
IMPACC: Interpretable MiniPatch Adaptive Consensus Clustering を開発した。
我々は、信頼性と計算コストの両面で改善された観測のための適応型サンプリング手法を開発した。
その結果,より正確で解釈可能なクラスタソリューションが得られた。
論文 参考訳(メタデータ) (2021-10-05T22:39:28Z) - A Deep Learning Object Detection Method for an Efficient Clusters
Initialization [6.365889364810239]
クラスタリングは、銀行顧客のプロファイリング、文書検索、画像セグメンテーション、Eコマースレコメンデーションエンジンなど、多くのアプリケーションで使用されている。
既存のクラスタリング技術には、初期化パラメータに対する安定性の信頼性という大きな制限がある。
本稿では,計算オーバーヘッドとリソースオーバーヘッドの少ない最適クラスタリングパラメータを提供するソリューションを提案する。
論文 参考訳(メタデータ) (2021-04-28T08:34:25Z) - Conjugate Mixture Models for Clustering Multimodal Data [24.640116037967985]
マルチモーダルクラスタリングの問題は、データが物理的に異なるセンサーで収集されるたびに発生する。
マルチモーダルクラスタリングは,新しいフレームワーク,すなわち共役混合モデル内で対処できることを示す。
論文 参考訳(メタデータ) (2020-12-09T10:13:22Z) - Multi-View Spectral Clustering with High-Order Optimal Neighborhood
Laplacian Matrix [57.11971786407279]
マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。
本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。
提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
論文 参考訳(メタデータ) (2020-08-31T12:28:40Z) - 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) - Bi-objective Optimization of Biclustering with Binary Data [0.0]
クラスタリングは、いくつかの類似性基準に従って、データオブジェクトをクラスタと呼ばれるサブセットに分割する。
本稿では,クラスタの重複を許容する準クラスタリングについて論じる。
ビクラスタリングは、オブジェクトとフィーチャーを同時にグループ化し、特定のオブジェクトのグループに特別な機能のグループがあるようにします。
論文 参考訳(メタデータ) (2020-02-09T21:49:26Z)
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。