論文の概要: Fast and Robust Sparsity-Aware Block Diagonal Representation
- arxiv url: http://arxiv.org/abs/2312.01137v1
- Date: Sat, 2 Dec 2023 13:44:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 18:51:37.789887
- Title: Fast and Robust Sparsity-Aware Block Diagonal Representation
- Title(参考訳): 高速かつロバストな疎結合型ブロック対角表現
- Authors: Aylin Tastan, Michael Muma and Abdelhak M.Zoubir
- Abstract要約: アフィニティ行列のブロック対角構造は、ブロックに集中する非ゼロ係数によって特徴ベクトルのクラスタを表す。
本稿では,クラスタメンバシップとブロック数を共同で推定するFRS-BDR法を提案する。
実世界の様々なアプリケーションにおける実験は、クラスタリングの精度、劣化した特徴、時間およびクラスタ列挙性能に対するFRS-BDRの堅牢性を示す。
- 参考スコア(独自算出の注目度): 13.167450470598045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The block diagonal structure of an affinity matrix is a commonly desired
property in cluster analysis because it represents clusters of feature vectors
by non-zero coefficients that are concentrated in blocks. However, recovering a
block diagonal affinity matrix is challenging in real-world applications, in
which the data may be subject to outliers and heavy-tailed noise that obscure
the hidden cluster structure. To address this issue, we first analyze the
effect of different fundamental outlier types in graph-based cluster analysis.
A key idea that simplifies the analysis is to introduce a vector that
represents a block diagonal matrix as a piece-wise linear function of the
similarity coefficients that form the affinity matrix. We reformulate the
problem as a robust piece-wise linear fitting problem and propose a Fast and
Robust Sparsity-Aware Block Diagonal Representation (FRS-BDR) method, which
jointly estimates cluster memberships and the number of blocks. Comprehensive
experiments on a variety of real-world applications demonstrate the
effectiveness of FRS-BDR in terms of clustering accuracy, robustness against
corrupted features, computation time and cluster enumeration performance.
- Abstract(参考訳): アフィニティ行列のブロック対角構造は、ブロックに集中する非ゼロ係数によって特徴ベクトルのクラスタを表すため、クラスタ解析において一般的に望まれる性質である。
しかしながら、ブロック対角アフィニティマトリックスの復元は、データが隠れたクラスタ構造を隠蔽する異常値や重く尾の長いノイズにさらされる可能性がある現実のアプリケーションでは困難である。
この問題に対処するために、まずグラフベースのクラスタ分析において、異なる基本外乱型の影響を解析する。
解析を単純化する重要なアイデアは、ブロック対角行列を表すベクトルを、親和性行列を形成する類似性係数の分割線形関数として導入することである。
本研究では, クラスタメンバシップとブロック数を共同で推定する高速かつロバストなブロック対角表示法(FRS-BDR)を提案する。
実世界の様々な応用に関する総合的な実験は、クラスタリング精度、破損した特徴に対する堅牢性、計算時間、クラスタ列挙性能の観点から、FRS-BDRの有効性を示す。
関連論文リスト
- Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。
複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
論文 参考訳(メタデータ) (2024-04-01T03:23:55Z) - Block-Diagonal Guided DBSCAN Clustering [1.6550162152849242]
クラスタ分析は、データベースマイニングにおいて重要な役割を果たす。
この分野で最も広く使われているアルゴリズムの1つはDBSCANである。
本稿では,DBSCANのクラスタリング手順をガイドするDBSCANの改良版を紹介する。
論文 参考訳(メタデータ) (2024-03-31T05:04:38Z) - High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。
本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。
いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文 参考訳(メタデータ) (2022-02-25T16:35:26Z) - Robust Regularized Locality Preserving Indexing for Fiedler Vector
Estimation [32.26669925809068]
実世界の応用では、データは重い尾のノイズと、フィドラーベクトル推定値の構造の劣化をもたらす外れ値を受けることがある。
我々は、ラプラスベルトラミ作用素の非線形多様体構造を近似することを目的としたFiedlerベクトル推定のためのロバスト正規化局所性保存指数(RRLPI)法を設計する。
論文 参考訳(メタデータ) (2021-07-26T09:49:23Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - Convex Subspace Clustering by Adaptive Block Diagonal Representation [30.709797128259236]
サブスペースクラスタリング(Subspace clustering)は、広く研究されているクラスタリング手法のクラスである。
その鍵となる第1ステップは、ブロック対角構造を持つ表現係数行列を学ぶことである。
間接ブロックの凸性を犠牲にすることなくブロック対角性を明確に追求する適応ブロック対角表現(ABDR)を提案する。
論文 参考訳(メタデータ) (2020-09-20T08:31:43Z) - Multi-View Spectral Clustering with High-Order Optimal Neighborhood
Laplacian Matrix [57.11971786407279]
マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。
本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。
提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
論文 参考訳(メタデータ) (2020-08-31T12:28:40Z) - On spectral algorithms for community detection in stochastic blockmodel
graphs with vertex covariates [6.029067308095145]
本稿では,ブロックモデルグラフにおける頂点クラスタリングのための2つのモデルベースアルゴリズムの比較解析を行う。
2つ目のアルゴリズムは,基礎となるブロック構造を明らかにする利点があることを示す。
本研究は,グラフのブロック構造に影響を及ぼす観測因子と観測されていない因子を区別することの重要性を強調した。
論文 参考訳(メタデータ) (2020-07-04T18:22:22Z) - Selective Inference for Latent Block Models [50.83356836818667]
本研究では,潜在ブロックモデルに対する選択的推論法を提案する。
我々は,潜在ブロックモデルの行と列クラスタのメンバシップの集合に対する統計的テストを構築した。
提案された正確で近似されたテストは、選択バイアスを考慮していない単純なテストと比較して効果的に機能する。
論文 参考訳(メタデータ) (2020-05-27T10:44:19Z) - Invariant Feature Coding using Tensor Product Representation [75.62232699377877]
我々は,群不変特徴ベクトルが線形分類器を学習する際に十分な識別情報を含んでいることを証明した。
主成分分析やk平均クラスタリングにおいて,グループアクションを明示的に考慮する新たな特徴モデルを提案する。
論文 参考訳(メタデータ) (2019-06-05T07:15:17Z)
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。