論文の概要: Semi-Supervised Clustering via Dynamic Graph Structure Learning
- arxiv url: http://arxiv.org/abs/2209.02513v1
- Date: Tue, 6 Sep 2022 14:05:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 14:36:57.873073
- Title: Semi-Supervised Clustering via Dynamic Graph Structure Learning
- Title（参考訳）: 動的グラフ構造学習による半教師付きクラスタリング
- Authors: Huaming Ling, Chenglong Bao, Xin Liang, and Zuoqiang Shi
- Abstract要約: 既存の半教師付きグラフベースのクラスタリング手法は、アフィニティ行列の精細化や、データポイントの低次元表現の制約によって、監督情報を利用する。
半教師付きグラフクラスタリングのための動的グラフ学習法を提案する。
- 参考スコア（独自算出の注目度）: 12.687613487964088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing semi-supervised graph-based clustering methods exploit the
supervisory information by either refining the affinity matrix or directly
constraining the low-dimensional representations of data points. The affinity
matrix represents the graph structure and is vital to the performance of
semi-supervised graph-based clustering. However, existing methods adopt a
static affinity matrix to learn the low-dimensional representations of data
points and do not optimize the affinity matrix during the learning process. In
this paper, we propose a novel dynamic graph structure learning method for
semi-supervised clustering. In this method, we simultaneously optimize the
affinity matrix and the low-dimensional representations of data points by
leveraging the given pairwise constraints. Moreover, we propose an alternating
minimization approach with proven convergence to solve the proposed nonconvex
model. During the iteration process, our method cyclically updates the
low-dimensional representations of data points and refines the affinity matrix,
leading to a dynamic affinity matrix (graph structure). Specifically, for the
update of the affinity matrix, we enforce the data points with remarkably
different low-dimensional representations to have an affinity value of 0.
Furthermore, we construct the initial affinity matrix by integrating the local
distance and global self-representation among data points. Experimental results
on eight benchmark datasets under different settings show the advantages of the
proposed approach.
- Abstract（参考訳）: 既存の半教師付きグラフベースのクラスタリング手法は、アフィニティ行列の精細化や、データポイントの低次元表現の直接的制約によって、監督情報を利用する。
アフィニティ行列はグラフ構造を表し、半教師付きグラフベースのクラスタリングの性能に不可欠である。
しかし、既存の手法では静的親和性行列を採用し、データポイントの低次元表現を学習し、学習過程で親和性行列を最適化しない。
本稿では,半教師付きクラスタリングのための動的グラフ構造学習手法を提案する。
本手法では,与えられたペアワイズ制約を利用してアフィニティ行列とデータポイントの低次元表現を同時に最適化する。
さらに,提案した非凸モデルの解法として,収束性を示す交互最小化手法を提案する。
反復過程において,本手法はデータポイントの低次元表現を循環的に更新し,親和性行列を改良し,動的親和性行列(グラフ構造)を導出する。
具体的には、アフィニティ行列の更新のために、非常に異なる低次元表現を持つデータポイントを強制し、アフィニティ値が0。
さらに、データポイント間の局所距離と大域自己表現を統合することにより、初期親和性行列を構築する。
8つのベンチマークデータセットを異なる設定で実験した結果,提案手法の利点が示された。
関連論文リスト
- Regularized Projection Matrix Approximation with Applications to Community Detection [1.5033631151609534]
本稿では,アフィニティ行列からクラスタ情報を復元することを目的とした正規化プロジェクション行列近似フレームワークを提案する。
本稿では,それぞれ有界,正,スパースなシナリオに対処する3つの異なるペナルティ関数を探索し,その問題を解決するために乗算器の交互方向法(ADMM)アルゴリズムを導出する。
論文 参考訳（メタデータ） (2024-05-26T15:18:22Z) - Non-Negative Matrix Factorization with Scale Data Structure Preservation [23.31865419578237]
本稿では,データ表現と次元縮小のために設計された非負行列分解法に属するモデルについて述べる。
この考え方は、NMFコスト関数に、元のデータポイントと変換されたデータポイントのペアの類似度行列のスケール関係を課すペナルティ項を追加することである。
提案したクラスタリングアルゴリズムは,既存のNMFベースのアルゴリズムや,実際のデータセットに適用した場合の多様体学習ベースのアルゴリズムと比較される。
論文 参考訳（メタデータ） (2022-09-22T09:32:18Z) - Graph Polynomial Convolution Models for Node Classification of
Non-Homophilous Graphs [52.52570805621925]
本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。
得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。
提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
論文 参考訳（メタデータ） (2022-09-12T04:46:55Z) - Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。
6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-05-21T01:47:17Z) - 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 Constrained Data Representation Learning for Human Motion
Segmentation [14.611777974037194]
本稿では,データの表現を学習し,データ自体からクラスタリング情報を掘り下げる新しい教師なしモデルを提案する。
HMSの4つのベンチマークデータセットによる実験結果から,我々の手法は,最先端手法によるクラスタリング性能を著しく向上することが示された。
論文 参考訳（メタデータ） (2021-07-28T13:49:16Z) - Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。
本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。
7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
論文 参考訳（メタデータ） (2020-12-16T13:01:37Z) - Doubly Stochastic Subspace Clustering [9.815735805354905]
多くの最先端サブスペースクラスタリング法は、まずデータポイント間の親和性行列を構築し、その親和性にスペクトルクラスタリングを適用することによって、2段階のプロセスに従う。
本研究では、データの自己表現表現と、スペクトルクラスタリングによく正規化された親和性行列の両方を学習する。
実験により,コンピュータビジョンにおける多くの共通データセットに対して,最先端のサブスペースクラスタリング性能が得られた。
論文 参考訳（メタデータ） (2020-11-30T14:56:54Z) - 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) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳（メタデータ） (2020-08-31T08:41:20Z)
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。