Fugu-MT 論文翻訳(概要): Unsupervised Deep Discriminant Analysis Based Clustering

論文の概要: Unsupervised Deep Discriminant Analysis Based Clustering

arxiv url: http://arxiv.org/abs/2206.04686v1
Date: Thu, 9 Jun 2022 04:35:25 GMT
ステータス: 処理完了
システム内更新日: 2022-06-13 15:05:45.158453
Title: Unsupervised Deep Discriminant Analysis Based Clustering
Title（参考訳）: 教師なし深部判別分析に基づくクラスタリング
Authors: Jinyu Cai, Wenzhong Guo, Jicong Fan
Abstract要約: この研究はクラスタリングのための教師なしの深層判別分析を示す。この手法はディープニューラルネットワークに基づいており、クラスタ内不一致を最小限に抑え、クラスタ間不一致を教師なしの方法で最大化することを目的としている。
参考スコア（独自算出の注目度）: 32.58744484647704
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work presents an unsupervised deep discriminant analysis for clustering. The method is based on deep neural networks and aims to minimize the intra-cluster discrepancy and maximize the inter-cluster discrepancy in an unsupervised manner. The method is able to project the data into a nonlinear low-dimensional latent space with compact and distinct distribution patterns such that the data clusters can be effectively identified. We further provide an extension of the method such that available graph information can be effectively exploited to improve the clustering performance. Extensive numerical results on image and non-image data with or without graph information demonstrate the effectiveness of the proposed methods.
Abstract（参考訳）: この研究はクラスタリングのための教師なしの深層判別分析を示す。この手法はディープニューラルネットワークに基づいており、クラスタ内不一致を最小限に抑え、クラスタ間不一致を教師なしの方法で最大化する。この方法は,データクラスタを効果的に識別できるような,コンパクトかつ異なる分布パターンを持つ非線形低次元潜在空間にデータを投影することができる。さらに,利用可能なグラフ情報を効果的に活用してクラスタリング性能を向上させる手法の拡張も提供する。グラフ情報の有無にかかわらず画像および非画像データに対する広範囲な数値計算結果から,提案手法の有効性が示された。

関連論文リスト

Clustering-friendly Representation Learning for Enhancing Salient Features [2.184775414778289]
本稿では、下流タスクとして教師なし画像クラスタリングに焦点を当てる。クラスタリングフレンドリーなコントラスト学習手法を拡張し,コントラスト分析手法を取り入れた。すべてのデータセットに対して,従来のコントラスト解析やディープクラスタリング手法と比較して,高いクラスタリングスコアを達成する。
論文参考訳（メタデータ） (2024-08-09T06:27:19Z)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
Learning A Disentangling Representation For PU Learning [18.94726971543125]
本稿では、ラベルのないデータを2つのクラスタに投影するロス関数を用いて、ニューラルネットワークに基づくデータ表現を学習することを提案する。提案手法の性能向上を実証する PU データのシミュレーション実験を行った。
論文参考訳（メタデータ） (2023-10-05T18:33:32Z)
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)
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)
Seeking the Truth Beyond the Data. An Unsupervised Machine Learning Approach [0.0]
クラスタリングは、ラベルのない要素/オブジェクトがグループ化される、教師なしの機械学習方法論である。この記事では、最も広く使われているクラスタリング手法について詳しく説明する。 3つのデータセットに基づいて、これらのアルゴリズムのクラスタリング効率の比較を強調している。
論文参考訳（メタデータ） (2022-07-14T14:22:36Z)
Improved Dual Correlation Reduction Network [40.792587861237166]
改良二重相関低減ネットワーク(IDCRN)と呼ばれる新しいディープグラフクラスタリングアルゴリズムを提案する。クロスビュー特徴相関行列をアイデンティティ行列に近似することにより、特徴の異なる次元間の冗長性を低減できる。また,グラフ畳み込みネットワーク(GCN)における過度にスムースな問題による表現の崩壊を,伝播正規化項によって回避する。
論文参考訳（メタデータ） (2022-02-25T07:48:32Z)
Learning Statistical Representation with Joint Deep Embedded Clustering [2.1267423178232407]
StatDECは、共同統計表現学習とクラスタリングのための教師なしのフレームワークである。実験により,これらの表現を用いることで,様々な画像データセットにまたがる不均衡な画像クラスタリングの結果を大幅に改善できることが示された。
論文参考訳（メタデータ） (2021-09-11T09:26:52Z)
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)
Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文参考訳（メタデータ） (2021-04-03T15:32:49Z)
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)

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。