Fugu-MT 論文翻訳(概要): DBSCAN of Multi-Slice Clustering for three-order Tensor

論文の概要: DBSCAN of Multi-Slice Clustering for three-order Tensor

arxiv url: http://arxiv.org/abs/2303.07768v1
Date: Tue, 14 Mar 2023 10:18:31 GMT
ステータス: 処理完了
システム内更新日: 2023-03-15 15:40:53.984239
Title: DBSCAN of Multi-Slice Clustering for three-order Tensor
Title（参考訳）: 3次テンソル用マルチスライスクラスタリングのDBSCAN
Authors: Dina Faneva Andriantsiory, Joseph Ben Geloun, Mustapha Lebbah
Abstract要約: そこで我々はMSC-DBSCANと呼ばれる拡張アルゴリズムを提案し、データから異なる部分空間にある異なるスライス群を抽出する。我々のアルゴリズムはMSCアルゴリズムと同じ入力を使い、MSCと同じ階数1テンソルデータに対して同じ解を求めることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Several methods for triclustering three-dimensional data require the cluster size or the number of clusters in each dimension to be specified. To address this issue, the Multi-Slice Clustering (MSC) for 3-order tensor finds signal slices that lie in a low dimensional subspace for a rank-one tensor dataset in order to find a cluster based on the threshold similarity. We propose an extension algorithm called MSC-DBSCAN to extract the different clusters of slices that lie in the different subspaces from the data if the dataset is a sum of r rank-one tensor (r > 1). Our algorithm uses the same input as the MSC algorithm and can find the same solution for rank-one tensor data as MSC.
Abstract（参考訳）: 3次元データのトリクラスタリングには、各次元のクラスタサイズやクラスタ数を指定する必要がある。この問題に対処するために、3階テンソルのマルチスライスクラスタリング(msc)は、しきい値の類似性に基づいてクラスタを見つけるために、ランク1テンソルデータセットの低次元部分空間にある信号スライスを見つける。データセットがrランク1テンソル(r > 1)の和である場合、データから異なる部分空間にある異なるスライス群を抽出するMSC-DBSCANという拡張アルゴリズムを提案する。我々のアルゴリズムはMSCアルゴリズムと同じ入力を使い、MSCとランクワンテンソルデータの解を見つけることができる。

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)
Multilayer Graph Approach to Deep Subspace Clustering [0.0]
自己表現型モデル学習表現行列に基づくディープサブスペースクラスタリング(DSC)ネットワークは、完全に接続されたネットワークで実装されることが多い。本稿では,入力データを含むエンコーダネットワークの全層から学習した表現から,選択した線形部分空間クラスタリングアルゴリズムを用いて表現を学習する。ベースラインモデルとして2つのDSCネットワークを持つ4つのよく知られたデータセットに対して,提案手法を検証した。
論文参考訳（メタデータ） (2024-01-30T14:09:41Z)
Parallel Computation of Multi-Slice Clustering of Third-Order Tensors [0.08192907805418585]
3次テンソルに対するマルチスライスクラスタリング(MSC)の並列アルゴリズムを考案した。並列計算方式は逐次計算より優れており,MSC法のスケーラビリティが向上していることを示す。
論文参考訳（メタデータ） (2023-09-29T16:38:51Z)
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)
Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文参考訳（メタデータ） (2023-05-12T03:01:41Z)
Multiway clustering of 3-order tensor via affinity matrix [0.0]
親和性行列(MCAM)を用いた3階テンソルのマルチウェイクラスタリング法を提案する。テンソルスライスと各スライスに関する情報の拡散の類似性の概念に基づいて、我々は高度なクラスタリング法を適用した親和性/相似性行列を構築した。 MCAMは、他の既知の合成アルゴリズムや実際のデータセットと比較して、競合的な結果が得られる。
論文参考訳（メタデータ） (2023-03-14T10:02:52Z)
ck-means, a novel unsupervised learning method that combines fuzzy and crispy clustering methods to extract intersecting data [1.827510863075184]
本稿では,2つの特徴以上の共通点を共有するデータをクラスタリングする手法を提案する。この手法の主な考え方は、ファジィ C-Means (FCM) アルゴリズムを用いてファジィクラスタを生成することである。このアルゴリズムはまた、シルエット指数(SI)によって与えられるクラスタの一貫性に従って、FCMとk平均アルゴリズムのための最適なクラスタ数を見つけることができる。
論文参考訳（メタデータ） (2022-06-17T19:29:50Z)
Multi-Slice Clustering for 3-order Tensor Data [0.12891210250935145]
3次元データのトリクラスタリングには、各次元のクラスタサイズを指定する必要がある。本稿では,3階テンソルデータセットに対するマルチスライスクラスタリング(MSC)を提案する。本アルゴリズムの有効性は,合成データセットと実世界のデータセットの両方で示される。
論文参考訳（メタデータ） (2021-09-22T15:49:48Z)
Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data via Differentiable Cross-Approximation [53.95297550117153]
本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
論文参考訳（メタデータ） (2021-05-29T08:39:57Z)
Overcomplete Deep Subspace Clustering Networks [80.16644725886968]
4つのベンチマークデータセットの実験結果から,クラスタリング誤差の観点から,DSCや他のクラスタリング手法に対する提案手法の有効性が示された。また,本手法は,最高の性能を得るために事前学習を中止する点にDSCほど依存せず,騒音にも頑健である。
論文参考訳（メタデータ） (2020-11-16T22:07:18Z)
LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文参考訳（メタデータ） (2020-06-17T17:58:10Z)

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。