論文の概要: Visualizing Overlapping Biclusterings and Boolean Matrix Factorizations

• arxiv url: http://arxiv.org/abs/2307.07396v1
• Date: Fri, 14 Jul 2023 15:12:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 13:33:39.802815
• Title: Visualizing Overlapping Biclusterings and Boolean Matrix Factorizations
• Title（参考訳）: 重なり合うビクラスタリングとブール行列分解の可視化
• Authors: Thibault Marette, Pauli Miettinen and Stefan Neumann
• Abstract要約: 重なり合うクラスタのクラスタリングを二部グラフで可視化する問題について検討する。 優れた視覚化が満たすべき3つの異なる目的を概念化します。 実世界のデータセットの実験では、これらの競合する目標間の最良のトレードオフは、小説によって達成される。
• 参考スコア（独自算出の注目度）: 7.509129971169722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding (bi-)clusters in bipartite graphs is a popular data analysis approach. Analysts typically want to visualize the clusters, which is simple as long as the clusters are disjoint. However, many modern algorithms find overlapping clusters, making visualization more complicated. In this paper, we study the problem of visualizing \emph{a given clustering} of overlapping clusters in bipartite graphs and the related problem of visualizing Boolean Matrix Factorizations. We conceptualize three different objectives that any good visualization should satisfy: (1) proximity of cluster elements, (2) large consecutive areas of elements from the same cluster, and (3) large uninterrupted areas in the visualization, regardless of the cluster membership. We provide objective functions that capture these goals and algorithms that optimize these objective functions. Interestingly, in experiments on real-world datasets, we find that the best trade-off between these competing goals is achieved by a novel heuristic, which locally aims to place rows and columns with similar cluster membership next to each other.
• Abstract（参考訳）: 2部グラフで(bi-)クラスタを見つけることは、一般的なデータ分析アプローチである。 アナリストは一般的にクラスタを視覚化することを望んでおり、クラスタが切断されている限りは単純である。 しかし、現代の多くのアルゴリズムは重なり合うクラスタを見つけ、可視化をより複雑にする。 本稿では,2部グラフにおける重なり合うクラスタの \emph{a given clustering} を可視化する問題と,ブール行列分解を可視化する問題について検討する。 我々は,(1)クラスタ要素の近接,(2)同一クラスタからの要素の大規模連続領域,(3)クラスタメンバシップに関係なく,可視化における大きな未断領域の3つの異なる目的を概念化した。 これらの目的を捉える客観的関数と、目的関数を最適化するアルゴリズムを提供する。 興味深いことに、実世界のデータセットの実験では、これらの競合する目標間の最良のトレードオフは、局所的に同じクラスタメンバシップを持つ行と列の配置を目標とする、新しいヒューリスティックによって達成されている。

関連論文リスト

• 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)
• 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)
• Efficient Multi-view Clustering via Unified and Discrete Bipartite Graph Learning [15.617206773324952]
  本稿では,統一および離散二部グラフ学習(UDBGL)による効率的なマルチビュークラスタリング手法を提案する。 複数のビューからビュー固有の二部グラフを学習するために、アンカーベースのサブスペース学習が組み込まれている。 ラプラシア階数制約は、融合二部グラフが離散クラスタ構造を持つことを保証するために課される。
  論文  参考訳（メタデータ） (2022-09-09T08:51:01Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Structured Graph Learning for Scalable Subspace Clustering: From Single-view to Multi-view [28.779909990410978]
  グラフベースのサブスペースクラスタリング手法は有望な性能を示した。 コストのかかる時間のオーバーヘッドに遭遇し、明示的なクラスタの探索に失敗し、見えないデータポイントに一般化することはできません。 上記の3つの課題を同時に解決しようとする,スケーラブルなグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-16T03:46:11Z)
• Non-Exhaustive, Overlapping Co-Clustering: An Extended Analysis [32.15852903039789]
  コクラスタリングの目標は、行のクラスタリングと2次元のデータ行列の列を同時に識別することである。 我々はNEO-CCアルゴリズムと呼ばれる効率的な反復アルゴリズムを開発した。 実験結果から,NEO-CCアルゴリズムは実世界のデータのコクラスタリング構造を効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2020-04-24T04:39:14Z)
• 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)
• Bi-objective Optimization of Biclustering with Binary Data [0.0]
  クラスタリングは、いくつかの類似性基準に従って、データオブジェクトをクラスタと呼ばれるサブセットに分割する。 本稿では,クラスタの重複を許容する準クラスタリングについて論じる。 ビクラスタリングは、オブジェクトとフィーチャーを同時にグループ化し、特定のオブジェクトのグループに特別な機能のグループがあるようにします。
  論文  参考訳（メタデータ） (2020-02-09T21:49:26Z)

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。