論文の概要: Oracle-guided Contrastive Clustering
- arxiv url: http://arxiv.org/abs/2211.00409v1
- Date: Tue, 1 Nov 2022 12:05:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:10:49.654739
- Title: Oracle-guided Contrastive Clustering
- Title(参考訳): Oracleによるコントラストクラスタリング
- Authors: Mengdie Wang, Liyuan Shang, Suyun Zhao, Yiming Wang, Hong Chen,
Cuiping Li and Xizhao Wang
- Abstract要約: Oracle-Guided Contrastive Clustering(OCC)は,ユニークな要求を持ったオーラクルに対して,ペアワイズで同クラスタ"クエリを対話的に作成することで,クラスタリングを実現する。
私たちの知る限りでは、パーソナライズされたクラスタリングを実行する最初のディープフレームワークです。
- 参考スコア(独自算出の注目度): 28.066047266687058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep clustering aims to learn a clustering representation through deep
architectures. Most of the existing methods usually conduct clustering with the
unique goal of maximizing clustering performance, that ignores the personalized
demand of clustering tasks.% and results in unguided clustering solutions.
However, in real scenarios, oracles may tend to cluster unlabeled data by
exploiting distinct criteria, such as distinct semantics (background, color,
object, etc.), and then put forward personalized clustering tasks. To achieve
task-aware clustering results, in this study, Oracle-guided Contrastive
Clustering(OCC) is then proposed to cluster by interactively making pairwise
``same-cluster" queries to oracles with distinctive demands. Specifically,
inspired by active learning, some informative instance pairs are queried, and
evaluated by oracles whether the pairs are in the same cluster according to
their desired orientation. And then these queried same-cluster pairs extend the
set of positive instance pairs for contrastive learning, guiding OCC to extract
orientation-aware feature representation. Accordingly, the query results,
guided by oracles with distinctive demands, may drive the OCC's clustering
results in a desired orientation. Theoretically, the clustering risk in an
active learning manner is given with a tighter upper bound, that guarantees
active queries to oracles do mitigate the clustering risk. Experimentally,
extensive results verify that OCC can cluster accurately along the specific
orientation and it substantially outperforms the SOTA clustering methods as
well. To the best of our knowledge, it is the first deep framework to perform
personalized clustering.
- Abstract(参考訳): deep clusteringは、ディープアーキテクチャを通じてクラスタリング表現を学ぶことを目的としている。
既存のメソッドの多くは、クラスタリングタスクのパーソナライズされた要求を無視したクラスタリングパフォーマンスを最大化するというユニークな目標でクラスタリングを行う。
%,無誘導クラスタリングソリューションが得られた。
しかし、実際のシナリオでは、オーラクルは異なるセマンティクス(背景、色、オブジェクトなど)のような異なる基準を利用してラベルのないデータをクラスタリングし、パーソナライズされたクラスタリングタスクを転送する傾向があります。
そこで本研究では,タスク対応型クラスタリングを実現するために,oracle によるコントラストクラスタリング (occ) を提案する。
具体的には、アクティブな学習にインスパイアされ、いくつかの情報的なインスタンスペアがクエリされ、そのペアが望ましい向きに従って同じクラスタ内にあるかどうかのオーラクルによって評価される。
そして、これらの問合せされた同一クラスタ対は、対照的な学習のための正のインスタンス対の集合を拡張し、OCCに向きを意識した特徴表現の抽出を誘導する。
したがって、独自の要求を持ったオラクルによって導かれるクエリ結果は、OCCのクラスタリング結果を望ましい方向へと導く可能性がある。
理論的には、クラスタリングのリスクはより厳密な上限で与えられ、オーラクルに対するアクティブクエリがクラスタリングのリスクを軽減することが保証される。
実験により,OCCが特定の方向に沿って正確にクラスタリング可能であることを確認し,SOTAクラスタリング法を著しく上回っている。
私たちの知る限りでは、パーソナライズされたクラスタリングを行う最初のディープフレームワークです。
関連論文リスト
- Towards Explainable Clustering: A Constrained Declarative based Approach [0.294944680995069]
古典的クラスタリング基準の観点から,高品質なクラスタリングを実現することを目指しており,その説明が可能である。
クラスタリングに関する優れたグローバルな説明は、各クラスタの特徴を、そのオブジェクトを記述する能力を考慮して与えるべきである。
そこで我々は,ECS と呼ばれる新しい解釈可能な制約付き手法を提案する。
論文 参考訳(メタデータ) (2024-03-26T21:00:06Z) - Deep Embedding Clustering Driven by Sample Stability [16.53706617383543]
サンプル安定性(DECS)により駆動されるディープ埋め込みクラスタリングアルゴリズムを提案する。
具体的には、まずオートエンコーダで初期特徴空間を構築し、次にサンプル安定性に制約されたクラスタ指向の埋め込み機能を学ぶ。
5つのデータセットに対する実験結果から,提案手法は最先端のクラスタリング手法と比較して優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2024-01-29T09:19:49Z) - Stable Cluster Discrimination for Deep Clustering [7.175082696240088]
ディープクラスタリングは、インスタンスの表現(つまり、表現学習)を最適化し、固有のデータ分散を探索することができる。
結合された目的は、すべてのインスタンスが一様機能に崩壊する、自明な解決策を意味する。
本研究では,1段階クラスタリングにおいて,教師あり学習における一般的な識別タスクが不安定であることを示す。
新規な安定クラスタ識別(SeCu)タスクを提案し、それに応じて新しいハードネス対応クラスタリング基準を得ることができる。
論文 参考訳(メタデータ) (2023-11-24T06:43:26Z) - 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) - Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。
本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
論文 参考訳(メタデータ) (2023-06-18T08:46:06Z) - Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。
SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。
OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
論文 参考訳(メタデータ) (2021-10-15T03:25:28Z) - Learning to Cluster via Same-Cluster Queries [26.284461833343403]
我々は,同一クラスタクエリに応答可能なオラクルを用いて,データポイントのクラスタ化を学習する問題について検討する。
提案する2つのアルゴリズムは, 理論的保証を証明可能とし, 合成データと実世界のデータの両方に関する広範な実験により, 有効性を検証する。
論文 参考訳(メタデータ) (2021-08-17T00:37:11Z) - You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。
分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。
代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文 参考訳(メタデータ) (2021-06-03T14:59:59Z) - 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) - Contrastive Clustering [57.71729650297379]
本稿では,インスタンスレベルのコントラスト学習を明示的に行うContrastive Clustering (CC)を提案する。
特にCCは、CIFAR-10(CIFAR-100)データセット上で0.705(0.431)のNMIを達成しており、最高のベースラインと比較して最大19%(39%)のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-09-21T08:54:40Z)
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。