Fugu-MT 論文翻訳(概要): Local and Global Structure Preservation Based Spectral Clustering

論文の概要: Local and Global Structure Preservation Based Spectral Clustering

arxiv url: http://arxiv.org/abs/2210.12778v1
Date: Sun, 23 Oct 2022 16:36:05 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 18:22:54.676375
Title: Local and Global Structure Preservation Based Spectral Clustering
Title（参考訳）: 局所・大域構造保存に基づくスペクトルクラスタリング
Authors: Kajal Eybpoosh, Mansoor Rezghi, Abbas Heydari
Abstract要約: 本稿では、スペクトルクラスタリングをLGPSC(Local and Global Structure Preservation Based Spectral Clustering)に拡張する。 LGPSCは、グローバル構造とローカル近隣構造の両方を同時に組み込んでいる。
参考スコア（独自算出の注目度）: 1.8047694351309205
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Spectral Clustering (SC) is widely used for clustering data on a nonlinear manifold. SC aims to cluster data by considering the preservation of the local neighborhood structure on the manifold data. This paper extends Spectral Clustering to Local and Global Structure Preservation Based Spectral Clustering (LGPSC) that incorporates both global structure and local neighborhood structure simultaneously. For this extension, LGPSC proposes two models to extend local structures preservation to local and global structures preservation: Spectral clustering guided Principal component analysis model and Multilevel model. Finally, we compare the experimental results of the state-of-the-art methods with our two models of LGPSC on various data sets such that the experimental results confirm the effectiveness of our LGPSC models to cluster nonlinear data.
Abstract（参考訳）: スペクトルクラスタリング(SC)は、非線形多様体上のクラスタリングデータに広く用いられている。 SCは、多様体データ上の局所的な近傍構造の保存を考慮し、データをクラスタリングすることを目的としている。本稿では,局所構造保存に基づくスペクトルクラスタリング(LGPSC)を,グローバル構造と局所近傍構造の両方を同時に組み込んだスペクトルクラスタリングに拡張する。この拡張のために、LGPSCは局所構造保存を局所的および大域的構造保存に拡張する2つのモデルを提案する:スペクトルクラスタリングによる主成分分析モデルとマルチレベルモデル。最後に, 実験結果から, LGPSCモデルの有効性を確認し, 非線形データをクラスタリングする実験結果と, LGPSCの2つのモデルを比較した。

関連論文リスト

Generative Kernel Spectral Clustering [12.485601356990998]
本稿では,カーネルスペクトルクラスタリングと生成モデルを組み合わせた新しいモデルであるGenerative Kernel Spectral Clustering(GenKSC)を提案する。 MNISTとFashionMNISTデータセットの結果は、意味のあるクラスタ表現を学習するモデルの能力を示している。
論文参考訳（メタデータ） (2025-02-04T09:59:45Z)
A Comprehensive Survey on Spectral Clustering with Graph Structure Learning [10.579153358536372]
スペクトルクラスタリングは、高次元データをクラスタリングするための強力な技術である。グラフクラスタリング手法として,ペアワイズ,アンカー,ハイパーグラフに基づく手法について検討する。マルチビュークラスタリングフレームワークについて論じ,アプリケーションを1段階,2段階のクラスタリングプロセスで検証する。
論文参考訳（メタデータ） (2025-01-23T12:06:32Z)
Autoencoded UMAP-Enhanced Clustering for Unsupervised Learning [49.1574468325115]
本稿では,低次元空間にデータを非線形に埋め込み,次に従来のクラスタリングアルゴリズムを用いて非教師なし学習を行う手法を提案する。この埋め込みはデータのクラスタビリティを促進し、オートエンコーダニューラルネットワークのエンコーダとUMAPアルゴリズムの出力の2つのマッピングで構成されている。 MNISTデータに適用した場合、AUECはクラスタリング精度において最先端技術よりも大幅に優れている。
論文参考訳（メタデータ） (2025-01-13T22:30:38Z)
Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
論文参考訳（メタデータ） (2023-08-31T12:12:30Z)
Enhancing cluster analysis via topological manifold learning [0.3823356975862006]
クラスタ化前にデータセットのトポロジ構造を推定することで,クラスタ検出を大幅に向上させることができることを示す。位相構造を推定するための多様体学習法UMAPと密度に基づくクラスタリング法DBSCANを組み合わせた。
論文参考訳（メタデータ） (2022-07-01T15:53:39Z)
Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
論文参考訳（メタデータ） (2022-05-17T01:41:06Z)
Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文参考訳（メタデータ） (2021-03-08T03:04:14Z)
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)
Generalized Clustering and Multi-Manifold Learning with Geometric Structure Preservation [47.65743823937763]
一般化データのための幾何構造を保存した新しい汎用クラスタリング・マルチマニフォールド学習(GCML)フレームワークを提案する。提案フレームワークでは,クラスタリング損失によって導かれる潜在空間において,多様体クラスタリングを行う。クラスタリング指向の損失が潜伏空間の幾何学的構造を悪化させるという問題を克服するため, 局所的に多様体内構造を保存するための等尺的損失と, グローバルな多様体間構造のランキング損失が提案されている。
論文参考訳（メタデータ） (2020-09-21T03:04:57Z)
Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for Hyperspectral Image [6.332208511335129]
本稿では,HSIクラスタリングのための新しいサブスペースクラスタリングフレームワークであるGraph Convolutional Subspace Clustering (GCSC)を提案する。具体的には、このフレームワークはデータの自己表現性を非ユークリッド領域に再キャストする。従来のサブスペースクラスタリングモデルはユークリッドデータを用いたフレームワークの特別な形態であることを示す。
論文参考訳（メタデータ） (2020-04-22T10:09:19Z)

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。