論文の概要: Approximate spectral clustering density-based similarity for noisy datasets

• arxiv url: http://arxiv.org/abs/2302.11298v1
• Date: Wed, 22 Feb 2023 11:33:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 15:33:08.910267
• Title: Approximate spectral clustering density-based similarity for noisy datasets
• Title（参考訳）: 近似スペクトルクラスタリング密度に基づくノイズデータセットの類似性
• Authors: Mashaan Alshammari, Masahiro Takatsuka
• Abstract要約: スペクトルクラスタリング(SC)の計算要求を克服するために、近似スペクトルクラスタリング(ASC)を開発した。 前処理のステップを含むため、ASCはグラフエッジに重みを割り当てるための新しい類似度尺度を定義している。 接続性行列(CONN)は、クラスタのグラフを構成するための効率的な類似性である。
• 参考スコア（独自算出の注目度）: 1.827510863075184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Approximate spectral clustering (ASC) was developed to overcome heavy computational demands of spectral clustering (SC). It maintains SC ability in predicting non-convex clusters. Since it involves a preprocessing step, ASC defines new similarity measures to assign weights on graph edges. Connectivity matrix (CONN) is an efficient similarity measure to construct graphs for ASC. It defines the weight between two vertices as the number of points assigned to them during vector quantization training. However, this relationship is undirected, where it is not clear which of the vertices is contributing more to that edge. Also, CONN could be tricked by noisy density between clusters. We defined a directed version of CONN, named DCONN, to get insights on vertices contributions to edges. Also, we provided filtering schemes to ensure CONN edges are highlighting potential clusters. Experiments reveal that the proposed filtering was highly efficient when noise cannot be tolerated by CONN.
• Abstract（参考訳）: スペクトルクラスタリング(sc)の重い計算要求を克服するために近似スペクトルクラスタリング(asc)を開発した。 非凸クラスタを予測するためのSC機能を維持している。 前処理ステップを含むため、ASCはグラフエッジに重みを割り当てるための新しい類似度尺度を定義する。 接続性行列(CONN)は、ASCのグラフを構成するための効率的な類似度尺度である。 これは、2つの頂点の間の重みをベクトル量子化訓練中にそれらに割り当てられた点の数として定義する。 しかし、この関係は無向であり、どの頂点がその辺にもっと貢献しているかは明らかではない。 また、クラスタ間のノイズ密度によって、connを騙すこともできる。 私たちは、エッジへの頂点コントリビューションに関する洞察を得るために、DCONNという名前のCONNの有向バージョンを定義しました。 また,CONNエッジが潜在的なクラスタを強調していることを確認するためのフィルタリング手法も提供した。 実験の結果,CONNは雑音を許容できない場合,フィルタの効率が高いことがわかった。

関連論文リスト

• Clustering Based on Density Propagation and Subcluster Merging [92.15924057172195]
  本稿では,クラスタ数を自動的に決定し,データ空間とグラフ空間の両方に適用可能な密度に基づくノードクラスタリング手法を提案する。 二つのノード間の距離を計算する従来の密度クラスタリング法とは異なり,提案手法は伝播過程を通じて密度を決定する。
  論文  参考訳（メタデータ） (2024-11-04T04:09:36Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• MeanCut: A Greedy-Optimized Graph Clustering via Path-based Similarity and Degree Descent Criterion [0.6906005491572401]
  スペクトルクラスタリングは、優れたパフォーマンス、簡単な実装、強力な適応性のために人気があり、魅力的です。 我々は,MeanCutを目的関数として提案し,非破壊グラフ分割の次数降下順で厳密に最適化する。 本アルゴリズムの有効性は,実世界のベンチマークによる検証と顔認識の適用によって実証される。
  論文  参考訳（メタデータ） (2023-12-07T06:19:39Z)
• 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)
• Refining a $k$-nearest neighbor graph for a computationally efficient spectral clustering [1.5469452301122175]
  近似スペクトルクラスタリング(ASC)はサンプリングまたは量子化を使用してデータ代表を選択する。 我々は、データポイントを保持し、エッジ数を積極的に削減する、$k$-nearest 隣のグラフの洗練されたバージョンを提案する。 ASC法と比較して,提案手法はエッジの大幅な削減に拘わらず一貫した性能を示した。
  論文  参考訳（メタデータ） (2023-02-22T11:31:32Z)
• Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph [73.68184322526338]
  マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。 本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。 実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-05T05:00:38Z)
• Affinity Fusion Graph-based Framework for Natural Image Segmentation [20.674669923674834]
  このフレームワークは、マルチスケールスーパーピクセルの親和性ノードと呼ばれる新しい定義に従って、隣接グラフとカーネルスペクトルクラスタリングベースのグラフ(KSCグラフ)を組み合わせる。 KSCグラフは、これらの親和性ノード間の非線形関係を探索するために、新しいカーネルスペクトルクラスタリングによって構築される。 各スケールでの隣接グラフを構築し、アフィニティノードで提案されたKSCグラフを更新するためにさらに使用される。
  論文  参考訳（メタデータ） (2020-06-24T08:01:10Z)
• Average Sensitivity of Spectral Clustering [31.283432482502278]
  入力グラフにおけるエッジ摂動に対するスペクトルクラスタリングの安定性について検討する。 その結果,入力グラフにクラスタ構造が存在する場合,スペクトルクラスタリングはエッジ摂動に対して安定であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-07T09:14:44Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。