論文の概要: Adaptive Fuzzy C-Means with Graph Embedding

• arxiv url: http://arxiv.org/abs/2405.13427v1
• Date: Wed, 22 May 2024 08:15:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-25 00:55:07.041770
• Title: Adaptive Fuzzy C-Means with Graph Embedding
• Title（参考訳）: グラフ埋め込みによる適応型ファジィC-平均
• Authors: Qiang Chen, Weizhong Yu, Feiping Nie, Xuelong Li,
• Abstract要約: ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。 本稿では,FCMを用いたクラスタリングモデルを提案する。
• 参考スコア（独自算出の注目度）: 84.47075244116782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fuzzy clustering algorithms can be roughly categorized into two main groups: Fuzzy C-Means (FCM) based methods and mixture model based methods. However, for almost all existing FCM based methods, how to automatically selecting proper membership degree hyper-parameter values remains a challenging and unsolved problem. Mixture model based methods, while circumventing the difficulty of manually adjusting membership degree hyper-parameters inherent in FCM based methods, often have a preference for specific distributions, such as the Gaussian distribution. In this paper, we propose a novel FCM based clustering model that is capable of automatically learning an appropriate membership degree hyper-parameter value and handling data with non-Gaussian clusters. Moreover, by removing the graph embedding regularization, the proposed FCM model can degenerate into the simplified generalized Gaussian mixture model. Therefore, the proposed FCM model can be also seen as the generalized Gaussian mixture model with graph embedding. Extensive experiments are conducted on both synthetic and real-world datasets to demonstrate the effectiveness of the proposed model.
• Abstract（参考訳）: ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。 しかし、既存のほとんどのFCMベースの手法では、適切なメンバシップ度ハイパーパラメータ値を自動選択する方法は難しい問題であり、未解決である。 混合モデルに基づく手法は、FCMに基づく手法に固有のメンバーシップ度ハイパーパラメータを手動で調整することの難しさを回避する一方で、ガウス分布のような特定の分布を優先することも多い。 本稿では,FCMに基づくクラスタリングモデルを提案する。このモデルでは,適切なメンバシップ度ハイパーパラメータ値を自動的に学習し,非ガウスクラスタでデータを処理することができる。 さらに、グラフ埋め込み正規化を除去することにより、提案したFCMモデルは単純化された一般化されたガウス混合モデルに退化することができる。 したがって、提案したFCMモデルはグラフ埋め込みを伴う一般化されたガウス混合モデルと見なすことができる。 提案モデルの有効性を実証するために,合成データセットと実世界のデータセットの両方で大規模な実験を行った。

関連論文リスト

• Clustering based on Mixtures of Sparse Gaussian Processes [6.939768185086753]
  低次元の組込み空間を使ってデータをクラスタする方法は、マシンラーニングにおいて依然として難しい問題である。 本稿では,クラスタリングと次元還元の両立を目的とした共同定式化を提案する。 我々のアルゴリズムはスパースガウス過程の混合に基づいており、スパースガウス過程混合クラスタリング(SGP-MIC)と呼ばれる。
  論文  参考訳（メタデータ） (2023-03-23T20:44:36Z)
• Probabilistic Point Cloud Modeling via Self-Organizing Gaussian Mixture Models [19.10047652180224]
  有限ガウス混合モデル(GMM)を用いた空間点雲データの連続確率論的モデリング手法を提案する。 我々は,センサデータの関連情報に基づいて,情報理論学習の自己組織化原理を用いて,GMMモデルの複雑さを自動的に適応する。 このアプローチは、シーンの複雑さの異なる実世界のデータ上で、既存のポイントクラウドモデリング技術に対して評価される。
  論文  参考訳（メタデータ） (2023-01-31T19:28:00Z)
• Hierarchical mixtures of Gaussians for combined dimensionality reduction and clustering [5.819751855626331]
  このような2段階モデルの族が、ガウスの階層混合(HMoG)と呼ばれる単一の階層モデルにどのように結合できるかを示す。 HMoGは次元縮小とクラスタリングの両方を同時に捕捉し、その性能は確率関数によって閉形式で定量化される。 HMoGを合成データおよびRNAシークエンシングデータに適用し、2段階モデルの限界を超える方法を示す。
  論文  参考訳（メタデータ） (2022-06-10T02:03:18Z)
• Consistency of regularized spectral clustering in degree-corrected mixed membership model [1.0965065178451106]
  正規化ラプラシア行列に基づく混合正規化スペクトルクラスタリング(Mixed-RSC,略してMixed-RSC)と呼ばれる効率的な手法を提案する。 混合RSCは、人口正規化ラプラシア行列の固有分解のための変種の理想的な錐構造に基づいて設計されている。 提案アルゴリズムは,各ノードの推定メンバシップベクトルに対する誤差境界を提供することにより,穏やかな条件下での整合性を示す。
  論文  参考訳（メタデータ） (2020-11-23T02:30:53Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• A Rigorous Link Between Self-Organizing Maps and Gaussian Mixture Models [78.6363825307044]
  本研究は、自己組織化マップ(SOM)とガウス混合モデル(GMM)の関係を数学的に扱うものである。 我々は,エネルギーベースSOMモデルを勾配勾配下降と解釈できることを示した。 このリンクはSOMsを生成確率モデルとして扱うことができ、SOMsを使用して外れ値を検出したりサンプリングしたりするための正式な正当性を与える。
  論文  参考訳（メタデータ） (2020-09-24T14:09:04Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。