論文の概要: AugDMC: Data Augmentation Guided Deep Multiple Clustering

• arxiv url: http://arxiv.org/abs/2306.13023v1
• Date: Thu, 22 Jun 2023 16:31:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 13:48:55.090482
• Title: AugDMC: Data Augmentation Guided Deep Multiple Clustering
• Title（参考訳）: AugDMC: 深層クラスタリングをガイドしたデータ拡張
• Authors: Jiawei Yao, Enbei Liu, Maham Rashid, Juhua Hu
• Abstract要約: AugDMCは、Deep Multiple Clustering法による新しいデータ拡張ガイドである。 データ拡張を利用して、データの特定の側面に関連する機能を自動的に抽出する。 異なる拡張から不安定な問題を緩和するために、安定な最適化戦略を提案する。
• 参考スコア（独自算出の注目度）: 2.479720095773358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustering aims to group similar objects together while separating dissimilar ones apart. Thereafter, structures hidden in data can be identified to help understand data in an unsupervised manner. Traditional clustering methods such as k-means provide only a single clustering for one data set. Deep clustering methods such as auto-encoder based clustering methods have shown a better performance, but still provide a single clustering. However, a given dataset might have multiple clustering structures and each represents a unique perspective of the data. Therefore, some multiple clustering methods have been developed to discover multiple independent structures hidden in data. Although deep multiple clustering methods provide better performance, how to efficiently capture the alternative perspectives in data is still a problem. In this paper, we propose AugDMC, a novel data Augmentation guided Deep Multiple Clustering method, to tackle the challenge. Specifically, AugDMC leverages data augmentations to automatically extract features related to a certain aspect of the data using a self-supervised prototype-based representation learning, where different aspects of the data can be preserved under different data augmentations. Moreover, a stable optimization strategy is proposed to alleviate the unstable problem from different augmentations. Thereafter, multiple clusterings based on different aspects of the data can be obtained. Experimental results on three real-world datasets compared with state-of-the-art methods validate the effectiveness of the proposed method.
• Abstract（参考訳）: クラスタリングは、異なるオブジェクトを分離しながら、類似したオブジェクトをまとめることを目的としている。 その後、データに隠された構造は、教師なしの方法でデータを理解するのに役立つ。 k-meansのような従来のクラスタリング手法は、単一のデータセットに対して単一のクラスタリングしか提供しない。 自動エンコーダベースのクラスタリング手法のような深いクラスタリング手法は、パフォーマンスは向上しているが、単一のクラスタリングを提供する。 しかし、与えられたデータセットは複数のクラスタ構造を持ち、それぞれがデータのユニークな視点を表す。 そのため、データに隠された複数の独立した構造を発見するために、複数のクラスタリング手法が開発されている。 深層クラスタリング手法は優れたパフォーマンスを提供するが、データ内の代替の視点を効率的に捉える方法は依然として問題である。 本稿では,この課題に対処するために,深層クラスタリングをガイドした新しいデータ拡張手法であるAugDMCを提案する。 特に、augdmcはデータ拡張を利用して、データの特定の側面に関連する特徴を自動的に抽出し、異なるデータ拡張の下でデータの異なる側面を保存できる自己教師付きプロトタイプベースの表現学習を使用する。 さらに, 異なる増補から不安定な問題を緩和するために, 安定した最適化戦略が提案されている。 その後、データの異なる側面に基づく複数のクラスタリングを得ることができる。 実世界の3つのデータセットに対する実験結果から,提案手法の有効性を検証した。

関連論文リスト

• Dual-disentangled Deep Multiple Clustering [4.040415173465543]
  本稿では,Dual-Disentangled Deep Multiple Clustering法であるDDMCを提案する。 実験の結果,DDMCは7つのタスクにまたがって常に最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-02-07T23:05:30Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• 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)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• 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)
• Clustering Plotted Data by Image Segmentation [12.443102864446223]
  クラスタリングアルゴリズムは、ラベルなしデータのパターンを検出する主要な分析手法の1つである。 本稿では,人間のクラスタリングデータに着想を得た,2次元空間におけるクラスタリングポイントの全く異なる方法を提案する。 私たちのアプローチであるVisual Clusteringは、従来のクラスタリングアルゴリズムよりもいくつかのアドバンテージを持っています。
  論文  参考訳（メタデータ） (2021-10-06T06:19:30Z)
• Robust Trimmed k-means [70.88503833248159]
  本稿では,外乱点とクラスタポイントを同時に識別するRobust Trimmed k-means (RTKM)を提案する。 RTKMは他の方法と競合することを示す。
  論文  参考訳（メタデータ） (2021-08-16T15:49:40Z)
• Very Compact Clusters with Structural Regularization via Similarity and Connectivity [3.779514860341336]
  本稿では,汎用データセットのためのエンドツーエンドのディープクラスタリングアルゴリズムであるVery Compact Clusters (VCC)を提案する。 提案手法は,最先端のクラスタリング手法よりも優れたクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2021-06-09T23:22:03Z)
• 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。