Fugu-MT 論文翻訳(概要): Unsupervised Manifold Linearizing and Clustering

論文の概要: Unsupervised Manifold Linearizing and Clustering

arxiv url: http://arxiv.org/abs/2301.01805v2
Date: Thu, 24 Aug 2023 06:28:02 GMT
ステータス: 処理完了
システム内更新日: 2023-08-25 18:30:51.750844
Title: Unsupervised Manifold Linearizing and Clustering
Title（参考訳）: 教師なしマニフォールド線形化とクラスタリング
Authors: Tianjiao Ding, Shengbang Tong, Kwan Ho Ryan Chan, Xili Dai, Yi Ma, Benjamin D. Haeffele
Abstract要約: 本稿では、データ表現と2重クラスタメンバシップの両方に関して、最大符号化削減度を最適化することを提案する。 CIFAR-10, -20, -100, TinyImageNet-200データセットに対する実験により,提案手法は最先端のディープクラスタリング手法よりもはるかに正確でスケーラブルであることが示された。
参考スコア（独自算出の注目度）: 19.879641608165887
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider the problem of simultaneously clustering and learning a linear representation of data lying close to a union of low-dimensional manifolds, a fundamental task in machine learning and computer vision. When the manifolds are assumed to be linear subspaces, this reduces to the classical problem of subspace clustering, which has been studied extensively over the past two decades. Unfortunately, many real-world datasets such as natural images can not be well approximated by linear subspaces. On the other hand, numerous works have attempted to learn an appropriate transformation of the data, such that data is mapped from a union of general non-linear manifolds to a union of linear subspaces (with points from the same manifold being mapped to the same subspace). However, many existing works have limitations such as assuming knowledge of the membership of samples to clusters, requiring high sampling density, or being shown theoretically to learn trivial representations. In this paper, we propose to optimize the Maximal Coding Rate Reduction metric with respect to both the data representation and a novel doubly stochastic cluster membership, inspired by state-of-the-art subspace clustering results. We give a parameterization of such a representation and membership, allowing efficient mini-batching and one-shot initialization. Experiments on CIFAR-10, -20, -100, and TinyImageNet-200 datasets show that the proposed method is much more accurate and scalable than state-of-the-art deep clustering methods, and further learns a latent linear representation of the data.
Abstract（参考訳）: 機械学習とコンピュータビジョンにおける基本課題である低次元多様体の結合に近いデータの線形表現を同時にクラスタリングし学習する問題を考える。多様体が線型部分空間であると仮定すると、これは過去20年間に広く研究されてきた部分空間クラスタリングの古典的な問題に還元される。残念なことに、自然画像のような現実世界の多くのデータセットは線形部分空間によって十分に近似できない。一方、一般の非線形多様体の和集合から線型部分空間の和へ(同じ多様体からの点が同じ部分空間に写像される)データが写像されるような、データの適切な変換を多くの研究が学ぼうとしている。しかし、多くの既存の研究は、サンプルのクラスタへのメンバシップに関する知識を仮定したり、高いサンプリング密度を必要としたり、理論上は自明な表現を学ぶために示されるといった制限がある。本稿では,最先端のサブスペースクラスタリング結果にインスパイアされた,データ表現と新しい二重確率クラスタメンバシップの両方について,最大符号化率低減指標の最適化を提案する。このような表現とメンバシップのパラメータ化を行い、効率的なミニバッチとワンショット初期化を可能にします。 CIFAR-10, -20, -100, TinyImageNet-200データセットを用いた実験により,提案手法は最先端のディープクラスタリング手法よりもはるかに正確でスケーラブルであり,さらに遅延線形表現を学習していることがわかった。

関連論文リスト

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)
Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文参考訳（メタデータ） (2022-08-25T05:47:39Z)
Revisiting data augmentation for subspace clustering [21.737226432466496]
サブスペースクラスタリング(Subspace clustering)は、複数の低次元のサブスペースを囲むデータサンプルの集合をクラスタリングする古典的な問題である。我々は,各部分空間内のデータ分布が自己表現モデルの成功に重要な役割を果たしていると主張している。教師なし設定と半教師なし設定の2つのサブスペースクラスタリングフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-20T08:13:08Z)
Enriched Robust Multi-View Kernel Subspace Clustering [5.770309971945476]
サブスペースクラスタリングは、下位の低次元のサブスペースを見つけ、データポイントを正しくクラスタ化する。既存の方法の多くは2つの重大な問題に悩まされている。本稿では,新しいマルチビューサブスペースクラスタリング手法を提案する。
論文参考訳（メタデータ） (2022-05-21T03:06:24Z)
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)
A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
本稿では,Vec2vecという新しい局所非線形手法を提案する。ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-03-10T23:10:47Z)
A Critique of Self-Expressive Deep Subspace Clustering [23.971512395191308]
サブスペースクラスタリング(Subspace clustering)は、線形サブスペースの和集合上でサポートされているデータをクラスタリングするために設計された、教師なしクラスタリング技術である。従来の作業では適切に対処されていなかったこのアプローチには,潜在的な欠陥がいくつかあることを示す。
論文参考訳（メタデータ） (2020-10-08T00:14:59Z)
Learning Self-Expression Metrics for Scalable and Inductive Subspace Clustering [5.587290026368626]
サブスペースクラスタリングは、高次元データをクラスタリングするための最先端のアプローチとして確立されている。本研究では,シアムニューラルネットワークアーキテクチャを用いて,サブスペース親和性関数を学習するための新しい距離学習手法を提案する。我々のモデルは、パラメータの一定数とメモリフットプリントの恩恵を受けており、かなり大きなデータセットにスケールすることができる。
論文参考訳（メタデータ） (2020-09-27T15:40:12Z)
Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文参考訳（メタデータ） (2020-07-07T10:04:28Z)
Stochastic Sparse Subspace Clustering [20.30051592270384]
最先端のサブスペースクラスタリング手法は、各データポイントを他のデータポイントの線形結合として表現する自己表現モデルに基づいている。本稿では,データポイントのランダムなドロップアウトに基づくオーバーセグメンテーションの問題に対処するために,ドロップアウトを導入する。これにより、スケーラブルで柔軟なスパースサブスペースクラスタリングアプローチ(Sparse Subspace Clustering)が実現される。
論文参考訳（メタデータ） (2020-05-04T13:09:17Z)
Learnable Subspace Clustering [76.2352740039615]
本研究では,大規模サブスペースクラスタリング問題を効率的に解くために,学習可能なサブスペースクラスタリングパラダイムを開発する。鍵となる考え方は、高次元部分空間を下層の低次元部分空間に分割するパラメトリック関数を学ぶことである。我々の知る限り、本論文は、サブスペースクラスタリング手法の中で、数百万のデータポイントを効率的にクラスタ化する最初の試みである。
論文参考訳（メタデータ） (2020-04-09T12:53:28Z)

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。