論文の概要: Low-Rank Robust Subspace Tensor Clustering for Metro Passenger Flow Modeling
- arxiv url: http://arxiv.org/abs/2404.04403v1
- Date: Fri, 5 Apr 2024 21:00:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 21:18:18.449778
- Title: Low-Rank Robust Subspace Tensor Clustering for Metro Passenger Flow Modeling
- Title（参考訳）: メトロ乗客流れモデリングのための低ランクロバスト部分空間テンソルクラスタリング
- Authors: Jiuyun Hu, Ziyue Li, Chen Zhang, Fugee Tsung, Hao Yan,
- Abstract要約: 本研究では, テンソルをベースとした部分空間と異常分解手法を設計し, 同時にロバスト次元の縮小クラスタリングと異常分解を行う。
タッカー分解,スパース異常分解,サブスペースクラスタリングを組み合わせた,新しい低ランクロバストなサブスペースクラスタリング分解モデルを提案する。
実験により提案手法の有効性が証明され,クラスタリング精度が25%向上した。
- 参考スコア（独自算出の注目度）: 19.907314837560907
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tensor clustering has become an important topic, specifically in spatio-temporal modeling, due to its ability to cluster spatial modes (e.g., stations or road segments) and temporal modes (e.g., time of the day or day of the week). Our motivating example is from subway passenger flow modeling, where similarities between stations are commonly found. However, the challenges lie in the innate high-dimensionality of tensors and also the potential existence of anomalies. This is because the three tasks, i.e., dimension reduction, clustering, and anomaly decomposition, are inter-correlated to each other, and treating them in a separate manner will render a suboptimal performance. Thus, in this work, we design a tensor-based subspace clustering and anomaly decomposition technique for simultaneously outlier-robust dimension reduction and clustering for high-dimensional tensors. To achieve this, a novel low-rank robust subspace clustering decomposition model is proposed by combining Tucker decomposition, sparse anomaly decomposition, and subspace clustering. An effective algorithm based on Block Coordinate Descent is proposed to update the parameters. Prudent experiments prove the effectiveness of the proposed framework via the simulation study, with a gain of +25% clustering accuracy than benchmark methods in a hard case. The interrelations of the three tasks are also analyzed via ablation studies, validating the interrelation assumption. Moreover, a case study in the station clustering based on real passenger flow data is conducted, with quite valuable insights discovered.
- Abstract（参考訳）: テンソルクラスタリングは、特に時空間モード(例えば、駅や道路セグメント)と時間モード(例えば、週の日時や日時)をクラスタ化できるため、時空間モデリングにおいて重要なトピックとなっている。
我々のモチベーションの例としては、駅間の類似点がよく見られる地下鉄の乗客フローモデリングがある。
しかし、課題はテンソルの自然に高次元性、および異常の存在の可能性にある。
これは、次元減少、クラスタリング、および異常分解の3つのタスクが互いに相互に関連しており、それらを別の方法で処理することで、準最適性能が得られるためである。
そこで本研究では,高次元テンソルに対する外乱次元の低減とクラスタリングを同時に行うために,テンソルをベースとした部分空間クラスタリングと異常分解手法を設計する。
これを実現するために、タッカー分解、スパース異常分解、サブスペースクラスタリングを組み合わせた、新しい低ランクロバストなサブスペースクラスタリング分解モデルを提案する。
パラメータを更新するために,ブロック座標Descentに基づく効率的なアルゴリズムを提案する。
試行錯誤実験により, ハードケースにおけるベンチマーク手法よりも25%以上のクラスタリング精度で, 提案手法の有効性が証明された。
3つのタスクの相互関係もアブレーション研究によって分析され、相互関係の仮定が検証される。
さらに、実際の乗客フローデータに基づく駅群クラスタリングのケーススタディを行い、非常に貴重な知見を得た。
関連論文リスト
- Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Sanitized Clustering against Confounding Bias [38.928080236294775]
本稿では,共起バイアスに対する衛生クラスタリング(SCAB)という新しいクラスタリングフレームワークを提案する。
SCABは、非線型依存尺度を通じて、複素データのセマンティック潜在空間における境界要素を除去する。
複雑なデータセットの実験は、SCABがクラスタリングのパフォーマンスにおいて大きな向上を達成していることを示している。
論文 参考訳（メタデータ） (2023-11-02T14:10:14Z) - Hyper-Laplacian Regularized Concept Factorization in Low-rank Tensor
Space for Multi-view Clustering [0.0]
マルチビュークラスタリングのための低ランクテンソル空間における超ラプラシア正規化概念分解(HLRCF)を提案する。
具体的には、各ビューの潜在クラスタ単位の表現を探索するために、概念因子化を採用します。
異なるテンソル特異値が構造情報と不等値とを関連付けることを考慮し、自己重み付きテンソルSchatten p-ノルムを開発する。
論文 参考訳（メタデータ） (2023-04-22T15:46:58Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳（メタデータ） (2023-03-29T14:54:19Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly
Types [60.45942774425782]
我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。
これは異常検出とは違い、その目標は異常を通常のデータから分割することである。
パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-21T23:11:33Z) - Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。
本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
論文 参考訳（メタデータ） (2021-08-10T14:46:17Z) - Sparse Generalized Yule-Walker Estimation for Large Spatio-temporal
Autoregressions with an Application to NO2 Satellite Data [0.0]
高次元モデルのクラスをスパース推定する。
我々は,ユル=ヴァルカー方程式の集合をペナルティ化することにより,空間的および時間的依存を完全駆動的に支配する関係を推定する。
衛星シミュレーションは、競合する手順と比較して強い有限サンプル性能を示す。
論文 参考訳（メタデータ） (2021-08-05T21:51:45Z) - Exact Clustering in Tensor Block Model: Statistical Optimality and
Computational Limit [10.8145995157397]
高階クラスタリングは、マルチウェイデータセットの異種サブ構造を特定することを目的とする。
非計算と問題の性質は統計学と統計学の両方に重大な課題をもたらす。
論文 参考訳（メタデータ） (2020-12-18T00:48:27Z) - Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。
MVSCに適合する新しい構造テンソル低ランクノルムを設計する。
提案手法は最先端の手法よりもかなり優れていることを示す。
論文 参考訳（メタデータ） (2020-04-30T11:52:12Z)
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。