論文の概要: High-dimensional multi-view clustering methods
- arxiv url: http://arxiv.org/abs/2303.08582v1
- Date: Tue, 14 Mar 2023 11:04:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-03-16 18:06:21.243520
- Title: High-dimensional multi-view clustering methods
- Title（参考訳）: 高次元マルチビュークラスタリング法
- Authors: Alaeddine Zahir, Khalide Jbilou, Ahmed Ratnani
- Abstract要約: 特にグラフベースのクラスタリングとサブスペースベースのクラスタリングという,2つのカテゴリにおいて,アプローチの検証と比較を行う。
ベンチマークデータセット上で、主要なクラスタリング手法の実験を実施、報告します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-view clustering has been widely used in recent years in comparison to
single-view clustering, for clear reasons, as it offers more insights into the
data, which has brought with it some challenges, such as how to combine these
views or features. Most of recent work in this field focuses mainly on tensor
representation instead of treating the data as simple matrices. This permits to
deal with the high-order correlation between the data which the based matrix
approach struggles to capture. Accordingly, we will examine and compare these
approaches, particularly in two categories, namely graph-based clustering and
subspace-based clustering. We will conduct and report experiments of the main
clustering methods over a benchmark datasets.
- Abstract（参考訳）: マルチビュークラスタリングは、データに対するより多くの洞察を提供し、これらのビューや機能を組み合わせる方法など、いくつかの課題をもたらしているため、シングルビュークラスタリングと比較して、近年広く使用されている。
この分野での最近の研究のほとんどは、データを単純な行列として扱うのではなく、主にテンソル表現に焦点を当てている。
これにより、ベースマトリックスアプローチが捕捉に苦労するデータ間の高次相関を扱うことができる。
したがって、特にグラフベースのクラスタリングとサブスペースベースのクラスタリングという2つのカテゴリでこれらのアプローチを調査し比較する。
ベンチマークデータセット上で,主要なクラスタリング手法の実験を行い,報告する。
関連論文リスト
- Hierarchical clustering with maximum density paths and mixture models [39.42511559155036]
階層クラスタリングは、データの構造を分析するための効果的で解釈可能な手法である。
クラスタの正確な数は不明な環境では特に有用であり、複雑なデータセットを探索するための堅牢なフレームワークを提供する。
提案手法は,まずガウスあるいは学生のt混合モデルを用いてデータをオーバークラスタリングし,次に誘導密度景観に基づいて階層的にクラスタをマージすることで,この制限に対処する。
このアプローチは、最先端のクラスタリング性能と意味のある階層を提供し、探索データ分析に有用なツールである。
論文 参考訳（メタデータ） (2025-03-19T15:37:51Z) - Interpretable Multi-View Clustering [8.221659822719817]
本稿では,解釈可能なマルチビュークラスタリングフレームワークを提案する。
実データを用いた実験結果から,本手法は最先端クラスタリング手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2024-05-04T11:56:24Z) - A low-rank non-convex norm method for multiview graph clustering [0.0]
本研究では,低ランク非凸ノルムを用いたマルチビュークラスタリング手法"Consensus Graph-based Multi-View Clustering Method" を提案する。
提案手法は,既存のアルゴリズムを用いて効率よく最適化できる。
論文 参考訳（メタデータ） (2023-12-18T12:54:24Z) - One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。
そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
論文 参考訳（メタデータ） (2023-06-08T02:52:24Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳（メタデータ） (2022-10-09T02:31:32Z) - Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。
特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。
一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文 参考訳（メタデータ） (2021-04-03T15:32:49Z) - 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) - Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from
Cross View and Each View [68.88732535086338]
本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。
5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
論文 参考訳（メタデータ） (2020-08-23T08:25:06Z)
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。