論文の概要: Accelerated Fuzzy C-Means Clustering Based on New Affinity Filtering and Membership Scaling

• arxiv url: http://arxiv.org/abs/2302.07060v1
• Date: Tue, 14 Feb 2023 14:20:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-15 15:16:33.039969
• Title: Accelerated Fuzzy C-Means Clustering Based on New Affinity Filtering and Membership Scaling
• Title（参考訳）: 新しい親和性フィルタリングとメンバーシップスケーリングに基づくファジィC平均クラスタリングの高速化
• Authors: Dong Li, Shuisheng Zhou, and Witold Pedrycz
• Abstract要約: Fuzzy C-Means (FCM) は広く使われているクラスタリング手法である。 FCMはクラスタリングプロセスの中間から後期の段階で効率が低い。 新しいアフィニティフィルタとメンバシップスケーリング(AMFCM)に基づくFCMを提案する。
• 参考スコア（独自算出の注目度）: 74.85538972921917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fuzzy C-Means (FCM) is a widely used clustering method. However, FCM and its many accelerated variants have low efficiency in the mid-to-late stage of the clustering process. In this stage, all samples are involved in the update of their non-affinity centers, and the fuzzy membership grades of the most of samples, whose assignment is unchanged, are still updated by calculating the samples-centers distances. All those lead to the algorithms converging slowly. In this paper, a new affinity filtering technique is developed to recognize a complete set of the non-affinity centers for each sample with low computations. Then, a new membership scaling technique is suggested to set the membership grades between each sample and its non-affinity centers to 0 and maintain the fuzzy membership grades for others. By integrating those two techniques, FCM based on new affinity filtering and membership scaling (AMFCM) is proposed to accelerate the whole convergence process of FCM. Many experimental results performed on synthetic and real-world data sets have shown the feasibility and efficiency of the proposed algorithm. Compared with the state-of-the-art algorithms, AMFCM is significantly faster and more effective. For example, AMFCM reduces the number of the iteration of FCM by 80% on average.
• Abstract（参考訳）: Fuzzy C-Means (FCM) は広く使われているクラスタリング手法である。 しかし、FCMとその多くの加速変種はクラスタリング過程の中期から後期の段階では効率が低い。 この段階では、全てのサンプルが非親和性中心の更新に関与しており、割り当てが変化しないほとんどのサンプルのファジィメンバーシップグレードは、標本中心距離を計算することによって更新される。 これらすべてがアルゴリズムの収束を遅くする。 本稿では,各試料に対する非親和性中心の完全集合を低計算で認識するための新しい親和性フィルタリング手法を開発した。 次に,各試料とその非親和性中心間の会員格付けを0に設定し,ファジィ会員格付けを他の人に維持する新しい会員格付け手法を提案する。 これら2つの手法を統合することにより、FCMの収束過程全体を高速化するために、新しい親和性フィルタリングと会員拡大(AMFCM)に基づくFCMを提案する。 合成および実世界のデータセット上で行った多くの実験結果は、提案アルゴリズムの有効性と効率を示している。 最先端のアルゴリズムと比較すると、AMFCMは大幅に高速で効果的である。 例えば、AMFCMはFCMの繰り返し回数を平均80%削減する。

関連論文リスト

• Beyond adaptive gradient: Fast-Controlled Minibatch Algorithm for large-scale optimization [1.6749379740049926]
  そこで我々は,F-CMA,F-Controlled Mini-batchアルゴリズムを導入し,各エポックあたりの損失低減を確保するために,十分な減少条件とライン探索手順を備えたランダムリシャッフル法を提案する。 テストでは、トレーニング時間全体の68%の削減、エポック毎の効率の最大20%向上、モデル精度の最大5%向上など、大幅な改善が見られた。
  論文  参考訳（メタデータ） (2024-11-24T11:46:47Z)
• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
  分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。 既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
  論文  参考訳（メタデータ） (2023-08-16T11:22:36Z)
• Large-scale Optimization of Partial AUC in a Range of False Positive Rates [51.12047280149546]
  ROC曲線 (AUC) の下の領域は、機械学習において最も広く使われている分類モデルのパフォーマンス指標の1つである。 近年の封筒平滑化技術に基づく効率的な近似勾配降下法を開発した。 提案アルゴリズムは,効率のよい解法を欠くランク付けされた範囲損失の和を最小化するためにも利用できる。
  論文  参考訳（メタデータ） (2022-03-03T03:46:18Z)
• Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
  滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。 提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
  論文  参考訳（メタデータ） (2022-02-26T19:10:48Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)
• Interval Type-2 Enhanced Possibilistic Fuzzy C-Means Clustering for Gene Expression Data Analysis [0.6445605125467573]
  FCMとPCMのクラスタリング手法はパターン認識とデータクラスタリングに広く応用されている。 PFCMは、FCMとPCMを組み合わせたPCMモデルの拡張であるが、この方法はまだPCMとFCMの弱点に苦しんでいる。 本稿では,PFCMアルゴリズムの弱点を修正し,EPFCMクラスタリングアルゴリズムの強化について述べる。
  論文  参考訳（メタデータ） (2021-01-01T19:29:24Z)
• Modified Possibilistic Fuzzy C-Means Algorithm for Clustering Incomplete Data Sets [0.0]
  PFCM(Possibilistic Fuzzy c-means)アルゴリズムは、クラスタリングのための2つの一般的なアルゴリズム、FCM(Fuzzy c-means)とPCM(Possibilistic c-means)の弱点を扱うために提案されている。
  論文  参考訳（メタデータ） (2020-07-09T16:12:11Z)
• A Centroid Auto-Fused Hierarchical Fuzzy c-Means Clustering [30.709797128259236]
  CAF-HFCM(Centroid Auto-Fused Hierarchical Fuzzy c-means Method) 本稿では,Centroid Auto-Fused Hierarchical Fuzzy c-means法(CAF-HFCM)を提案する。 CAF-HFCM法はFCMの様々な変種に容易に拡張できる。
  論文  参考訳（メタデータ） (2020-04-27T12:59:22Z)
• Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet Frames for Image Segmentation [152.609322951917]
  そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。 提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2020-02-21T05:19:10Z)

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。