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: 処理完了
- 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
- A parallelizable model-based approach for marginal and multivariate
clustering [0.0]
本稿では,モデルに基づくクラスタリングの頑健さを生かしたクラスタリング手法を提案する。
我々は、各マージンごとに異なる数のクラスタを持つことができる有限混合モデルを指定することで、この問題に対処する。
提案手法は、完全な(結合した)モデルベースのクラスタリング手法よりも、中程度から高次元の処理に適するだけでなく、計算的にも魅力的である。
論文 参考訳(メタデータ) (2022-12-07T23:54:41Z) - 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) - Fine-grained Graph Learning for Multi-view Subspace Clustering [4.436724861363512]
グラフ学習によるマルチビュー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。
提案手法は,SOTAアルゴリズムに匹敵する性能を有することを示す。
論文 参考訳(メタデータ) (2022-01-12T18:00:29Z) - 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) - Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。
本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。
7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
論文 参考訳(メタデータ) (2020-12-16T13:01:37Z) - 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) - Consistent and Complementary Graph Regularized Multi-view Subspace
Clustering [31.187031653119025]
本研究では,複数のビューが一貫した情報を含み,それぞれのビューが相補的な情報を含むマルチビュークラスタリングの問題について検討する。
本稿では、一貫したグラフ正規化マルチビューサブスペースクラスタリング(GRMSC)を含む手法を提案する。
目的関数は多視点クラスタリングを実現するために拡張ラグランジアン乗算法により最適化される。
論文 参考訳(メタデータ) (2020-04-07T03:48:08Z)
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。