論文の概要: Hybrid Ensemble Deep Graph Temporal Clustering for Spatiotemporal Data

• arxiv url: http://arxiv.org/abs/2409.12590v1
• Date: Thu, 19 Sep 2024 09:14:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 14:19:13.516267
• Title: Hybrid Ensemble Deep Graph Temporal Clustering for Spatiotemporal Data
• Title（参考訳）: 時空間データのためのハイブリッドアンサンブル深部グラフ時間クラスタリング
• Authors: Francis Ndikum Nji, Omar Faruque, Mostafa Cham, Janeja Vandana, Jianwu Wang,
• Abstract要約: 多変量時間データ解析のためのハイブリッドアンサンブルグラフクラスタリング(HEDGTC)法を提案する。 HEDGTCは、従来のクラスタリングからノイズや誤分類に対処するためのデュアルコンセンサスアプローチを採用している。 3つの実世界のデータセットで評価すると、HEDGTCは最先端のアンサンブルクラスタリングモデルより優れている。
• 参考スコア（独自算出の注目度）: 0.37083047471478225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifying subsets based on spatial and temporal features is crucial to the analysis of spatiotemporal data given the inherent spatial and temporal variability. Since no single clustering algorithm ensures optimal results, researchers have increasingly explored the effectiveness of ensemble approaches. Ensemble clustering has attracted much attention due to increased diversity, better generalization, and overall improved clustering performance. While ensemble clustering may yield promising results on simple datasets, it has not been fully explored on complex multivariate spatiotemporal data. For our contribution to this field, we propose a novel hybrid ensemble deep graph temporal clustering (HEDGTC) method for multivariate spatiotemporal data. HEDGTC integrates homogeneous and heterogeneous ensemble methods and adopts a dual consensus approach to address noise and misclassification from traditional clustering. It further applies a graph attention autoencoder network to improve clustering performance and stability. When evaluated on three real-world multivariate spatiotemporal data, HEDGTC outperforms state-of-the-art ensemble clustering models by showing improved performance and stability with consistent results. This indicates that HEDGTC can effectively capture implicit temporal patterns in complex spatiotemporal data.
• Abstract（参考訳）: 空間的・時間的特徴に基づくサブセットの分類は,空間的・時間的変動に固有の空間的・時間的変動を考慮した時空間データの解析に不可欠である。 単一のクラスタリングアルゴリズムが最適結果を保証することはないため、研究者はアンサンブルアプローチの有効性をますます探求してきた。 アンサンブルクラスタリングは、多様性の向上、一般化の向上、クラスタリング性能の全体的な改善により、多くの注目を集めている。 アンサンブルクラスタリングは単純なデータセット上で有望な結果をもたらすかもしれないが、複雑な多変量時空間データでは十分に研究されていない。 この分野へのコントリビューションのために,多変量時空間データのためのハイブリッドアンサンブル深部グラフ時間クラスタリング(HEDGTC)手法を提案する。 HEDGTCは同種および異種アンサンブル法を統合し、従来のクラスタリングからノイズや誤分類に対処するための二重のコンセンサスアプローチを採用する。 さらに、クラスタリング性能と安定性を向上させるために、グラフアテンションオートエンコーダネットワークを適用している。 3つの実世界の多変量時空間データを用いて評価すると、HEDGTCは、一貫した結果で性能と安定性の向上を示すことにより、最先端のアンサンブルクラスタリングモデルより優れている。 このことは、HEDGTCが複雑な時空間データにおいて暗黙の時間パターンを効果的にキャプチャできることを示唆している。

関連論文リスト

• DECRL: A Deep Evolutionary Clustering Jointed Temporal Knowledge Graph Representation Learning Approach [9.158462794964835]
  時間的知識グラフ(TKG)表現学習は、連続的な低次元ベクトル空間における時間的進化的実体と埋め込み表現との関係をマッピングすることを目的としている。 本稿では,Deep Evolutionary Clustering Jointed temporal knowledge graph Representation Learning approach (DECRL)を提案する。 DECRLは最先端のパフォーマンスを達成し、平均9.53%、12.98%、10.42%、14.68%のMRR、Hits@1、Hits@3、Hits@10をそれぞれ上回っている。
  論文  参考訳（メタデータ） (2024-10-30T01:36:06Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Contrastive Multi-view Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks [14.978666092012856]
  サブスペースクラスタリングは、ハイパースペクトル画像のクラスタリングに有効なアプローチである。 本研究では,グラフ畳み込みネットワークに基づくHSIのマルチビューサブスペースクラスタリングを提案する。 提案手法は,HSIのクラスタリング精度を効果的に向上する。
  論文  参考訳（メタデータ） (2023-12-11T02:22:10Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• 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)
• 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)
• Fast and Interpretable Consensus Clustering via Minipatch Learning [0.0]
  IMPACC: Interpretable MiniPatch Adaptive Consensus Clustering を開発した。 我々は、信頼性と計算コストの両面で改善された観測のための適応型サンプリング手法を開発した。 その結果,より正確で解釈可能なクラスタソリューションが得られた。
  論文  参考訳（メタデータ） (2021-10-05T22:39:28Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)
• Minority Oversampling for Imbalanced Time Series Classification [7.695093197007146]
  本稿では,高次元不均衡時間系列分類に対処するオーバーサンプリング手法を提案する。 いくつかの公開時系列データセットの実験結果は、最先端のオーバーサンプリングアルゴリズムに対するOHITの優位性を示している。
  論文  参考訳（メタデータ） (2020-04-14T09:20:12Z)

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。