論文の概要: Hierarchical Multiple Kernel K-Means Algorithm Based on Sparse Connectivity

• arxiv url: http://arxiv.org/abs/2410.20391v1
• Date: Sun, 27 Oct 2024 09:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:21:43.457757
• Title: Hierarchical Multiple Kernel K-Means Algorithm Based on Sparse Connectivity
• Title（参考訳）: スパース接続性に基づく階層型多重カーネルK平均アルゴリズム
• Authors: Lei Wang, Liang Du, Peng Zhou,
• Abstract要約: 本稿では,スパース接続に基づく階層型マルチカーネルK-Means (SCHMKKM) アルゴリズムを提案する。 より離散的な情報融合は、より一貫性のある分割行列を学習するのに有益であることが示されている。
• 参考スコア（独自算出の注目度）: 6.524937526547959
• License:
• Abstract: Multiple kernel learning (MKL) aims to find an optimal, consistent kernel function. In the hierarchical multiple kernel clustering (HMKC) algorithm, sample features are extracted layer by layer from a high-dimensional space to maximize the retention of effective information. However, information interaction between layers is often ignored. In this model, only corresponding nodes in adjacent layers exchange information; other nodes remain isolated, and if full connectivity is adopted, the diversity of the final consistency matrix is reduced. Therefore, this paper proposes a hierarchical multiple kernel K-Means (SCHMKKM) algorithm based on sparse connectivity, which controls the assignment matrix to achieve sparse connections through a sparsity rate, thereby locally fusing the features obtained by distilling information between layers. Finally, we conduct cluster analysis on multiple datasets and compare it with the fully connected hierarchical multiple kernel K-Means (FCHMKKM) algorithm in experiments. It is shown that more discriminative information fusion is beneficial for learning a better consistent partition matrix, and the fusion strategy based on sparse connection outperforms the full connection strategy.
• Abstract（参考訳）: マルチカーネル学習(MKL)は、最適な一貫したカーネル関数を見つけることを目的としている。 階層型マルチカーネルクラスタリング(HMKC)アルゴリズムでは,実効情報の保持を最大化するために,高次元空間からサンプル特徴層を抽出する。 しかし、レイヤ間の情報相互作用は無視されることが多い。 このモデルでは、隣接する層内の対応するノードのみが情報を交換し、他のノードは孤立し続け、完全な接続が採用されれば、最終的な整合行列の多様性が減少する。 そこで本稿では,スパース接続に基づく階層型マルチカーネルK-Means(SCHMKKM)アルゴリズムを提案する。 最後に、複数のデータセット上でクラスタ分析を行い、実験において完全に連結された階層型マルチカーネルK-Means (FCHMKKM) アルゴリズムと比較する。 より差別的な情報融合は、より良い一貫した分割行列を学習するのに有益であることが示され、疎結合に基づく融合戦略は完全な接続戦略よりも優れている。

関連論文リスト

• Multiple kernel concept factorization algorithm based on global fusion [9.931283387968856]
  教師なし環境では、特定のデータセットに対して適切なカーネル関数を設計または選択するために、Globalized Multiple Kernel(GMKCF)と呼ばれる新しいアルゴリズムが提案された。 提案アルゴリズムは,Kernel K-Means(KKM), Spectral Clustering(SC), CF Kernel(KCF), Co-regularized Multi-view spectrum clustering(Coreg), Robust Multiple KKM(RMKKM)などのデータクラスタリングにおける比較アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2024-10-27T09:13:57Z)
• Kernel Correlation-Dissimilarity for Multiple Kernel k-Means Clustering [21.685153346752124]
  現在の手法は情報多様性を高め、相関性や相似性に基づいて複数のカーネル間の相互依存を利用して冗長性を低減する。 本稿では,カーネルの相関と相似性の両方を体系的に統合する新しい手法を提案する。 カーネル相関と相違点のコヒーレンスを強調することにより,非線形情報抽出のためのより客観的かつ透明な戦略を提供する。
  論文  参考訳（メタデータ） (2024-03-06T04:24:43Z)
• Mixture of multilayer stochastic block models for multiview clustering [0.0]
  本稿では,異なる情報源から得られた複数のクラスタリングを集約する独自の手法を提案する。 モデルパラメータの同定可能性を確立し,これらのパラメータを推定するために変分ベイズEMアルゴリズムを提案する。 この手法は、グローバルな食品取引網の分析に利用され、興味のある構造に繋がる。
  論文  参考訳（メタデータ） (2024-01-09T17:15:47Z)
• One-Step Late Fusion Multi-view Clustering with Compressed Subspace [29.02032034647922]
  圧縮部分空間を用いたワンステップレイトフュージョンマルチビュークラスタリング(OS-LFMVC-CS)という統合フレームワークを提案する。 コンセンサス部分空間を用いて分割行列を整列し、分割融合を最適化し、融合分割行列を用いて離散ラベルの学習を指導する。
  論文  参考訳（メタデータ） (2024-01-03T06:18:30Z)
• Efficient and Effective Deep Multi-view Subspace Clustering [9.6753782215283]
  E$2$MVSC(Efficient and Effective Deep Multi-View Subspace Clustering)と呼ばれる新しいディープフレームワークを提案する。 パラメータ化されたFC層の代わりに、より計算効率のよいサンプル数からネットワークパラメータスケールを分離するRelation-Metric Netを設計する。 E$2$MVSCは既存のメソッドに匹敵する結果を出し、様々なタイプのマルチビューデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-15T03:08:25Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph [73.68184322526338]
  マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。 本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。 実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-05T05:00:38Z)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)
• Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
  本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。 本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。 7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
  論文  参考訳（メタデータ） (2020-12-16T13:01:37Z)
• SimpleMKKM: Simple Multiple Kernel K-means [49.500663154085586]
  単純なマルチカーネルk-means(SimpleMKKM)と呼ばれる,単純で効果的なマルチカーネルクラスタリングアルゴリズムを提案する。 我々の基準は、カーネル係数とクラスタリング分割行列における難解な最小化最大化問題によって与えられる。 クラスタリング一般化誤差の観点から,SimpleMKKMの性能を理論的に解析する。
  論文  参考訳（メタデータ） (2020-05-11T10:06:40Z)

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。