論文の概要: Incremental Affinity Propagation based on Cluster Consolidation and Stratification

• arxiv url: http://arxiv.org/abs/2401.14439v1
• Date: Thu, 25 Jan 2024 14:20:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 17:01:12.355556
• Title: Incremental Affinity Propagation based on Cluster Consolidation and Stratification
• Title（参考訳）: クラスターの固化と成層化に基づく増分親和性伝播
• Authors: Silvana Castano, Alfio Ferrara, Stefano Montanelli, Francesco Periti
• Abstract要約: 本稿では, A-Posteriori Affinity Propagation (APP) を提案する。 i) 新しい到着オブジェクトは、オブジェクトのデータセット全体にわたってクラスタを再実行することなく、動的に以前のクラスタに統合される。 実験の結果,APPはスケーラビリティを同時に発揮しながら,同等のクラスタリング性能を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 2.048226951354646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern data mining applications require to perform incremental clustering over dynamic datasets by tracing temporal changes over the resulting clusters. In this paper, we propose A-Posteriori affinity Propagation (APP), an incremental extension of Affinity Propagation (AP) based on cluster consolidation and cluster stratification to achieve faithfulness and forgetfulness. APP enforces incremental clustering where i) new arriving objects are dynamically consolidated into previous clusters without the need to re-execute clustering over the entire dataset of objects, and ii) a faithful sequence of clustering results is produced and maintained over time, while allowing to forget obsolete clusters with decremental learning functionalities. Four popular labeled datasets are used to test the performance of APP with respect to benchmark clustering performances obtained by conventional AP and Incremental Affinity Propagation based on Nearest neighbor Assignment (IAPNA) algorithms. Experimental results show that APP achieves comparable clustering performance while enforcing scalability at the same time.
• Abstract（参考訳）: 最新のデータマイニングアプリケーションは、結果のクラスタ上の時間的変化を追跡することで、動的データセット上でインクリメンタルなクラスタリングを実行する必要がある。 本稿では,クラスタ統合とクラスタ階層化に基づくA-Posteriori Affinity Propagation (APP)を提案する。 APPがインクリメンタルクラスタリングを実施 一 新しい到着したオブジェクトは、オブジェクトのデータセット全体にわたって再実行することなく、動的に前のクラスタに統合されます。 二 クラスタリング結果の忠実なシーケンスを時間とともに生成し、維持するとともに、陳腐化した学習機能を有する古いクラスタを忘れることができる。 4つの人気のあるラベル付きデータセットは、従来のAPとIncremental Affinity Propagationによって得られたベンチマーククラスタリングのパフォーマンスに関してAPPのパフォーマンスをテストするために使用される。 実験の結果,アプリケーションのクラスタリング性能はスケーラビリティと同時に向上していることがわかった。

関連論文リスト

• Adaptive Self-supervised Robust Clustering for Unstructured Data with Unknown Cluster Number [12.926206811876174]
  適応型自己教師型ロバストクラスタリング(Adaptive Self-supervised Robust Clustering, ASRC)と呼ばれる非構造化データに適した,新たな自己教師型ディープクラスタリング手法を提案する。 ASRCはグラフ構造とエッジ重みを適応的に学習し、局所構造情報と大域構造情報の両方をキャプチャする。 ASRCは、クラスタ数の事前知識に依存するメソッドよりも優れており、非構造化データのクラスタリングの課題に対処する上での有効性を強調している。
  論文  参考訳（メタデータ） (2024-07-29T15:51:09Z)
• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• Towards Efficient and Effective Deep Clustering with Dynamic Grouping and Prototype Aggregation [4.550555443103878]
  本稿ではDigProと呼ばれる動的グループ化とプロトタイプアグリゲーションを備えた新しいエンドツーエンドのディープクラスタリングフレームワークを提案する。 具体的には、動的グルーピングがインスタンスレベルからグループレベルへのコントラスト学習を拡張し、グループをタイムリーに更新するのに効率的かつ効率的である。 期待最大化フレームワークにより、DigProはクラスタ内接続のコンパクトな接続、よく分離されたクラスタ、そしてセルフ教師付きトレーニング中の効率的なグループ更新を同時に活用する。
  論文  参考訳（メタデータ） (2024-01-24T16:45:42Z)
• 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)
• Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
  観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。 本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Mitigating shortage of labeled data using clustering-based active learning with diversity exploration [3.312798619476657]
  本稿ではクラスタリングに基づくアクティブラーニングフレームワーク,すなわちクラスタリングに基づくサンプリングを用いたアクティブラーニングを提案する。 重なり合うクラスを分類する学習性能を向上させるために、クラスタ境界に基づくサンプルクエリ手順が導入された。
  論文  参考訳（メタデータ） (2022-07-06T20:53:28Z)
• 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)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• 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)
• Evolutionary Clustering via Message Passing [21.366647840787365]
  進化的親和性伝播(EAP)は,因子グラフ上でメッセージを交換することで,データポイントをグループ化する進化的クラスタリングアルゴリズムである。 EAPは、隣接するデータスナップショットに関連付けられたファクタグラフのノードをリンクすることで、クラスタリング時間進化データに対するソリューションの時間的スムーズさを促進する。 EAPはクラスタ数を決定し、自動的に追跡する。
  論文  参考訳（メタデータ） (2019-12-27T03:09:16Z)

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。