論文の概要: Deep Spectral Clustering via Joint Spectral Embedding and Kmeans
- arxiv url: http://arxiv.org/abs/2412.11080v1
- Date: Sun, 15 Dec 2024 06:40:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:59:55.386682
- Title: Deep Spectral Clustering via Joint Spectral Embedding and Kmeans
- Title(参考訳): 結合型スペクトル埋め込みとKmeansによる深部スペクトルクラスタリング
- Authors: Wengang Guo, Wei Ye,
- Abstract要約: textbfDeep textbfSpectral textbfClustering (textbfDSC)は、スペクトル埋め込みモジュールとgreedy Kmeansモジュールの2つの主要モジュールから構成される。
前者のモジュールは、ディープニューラルネットワークとパワーイテレーションを使用して、サンプルをスペクトル埋め込み空間に効率的に埋め込むことを学ぶ。
後者のモジュールは、学習したスペクトル埋め込み上のKmeansのクラスタ構造を、グリーディ最適化戦略によって改善する。
- 参考スコア(独自算出の注目度): 4.266012989684753
- License:
- Abstract: Spectral clustering is a popular clustering method. It first maps data into the spectral embedding space and then uses Kmeans to find clusters. However, the two decoupled steps prohibit joint optimization for the optimal solution. In addition, it needs to construct the similarity graph for samples, which suffers from the curse of dimensionality when the data are high-dimensional. To address these two challenges, we introduce \textbf{D}eep \textbf{S}pectral \textbf{C}lustering (\textbf{DSC}), which consists of two main modules: the spectral embedding module and the greedy Kmeans module. The former module learns to efficiently embed raw samples into the spectral embedding space using deep neural networks and power iteration. The latter module improves the cluster structures of Kmeans on the learned spectral embeddings by a greedy optimization strategy, which iteratively reveals the direction of the worst cluster structures and optimizes embeddings in this direction. To jointly optimize spectral embeddings and clustering, we seamlessly integrate the two modules and optimize them in an end-to-end manner. Experimental results on seven real-world datasets demonstrate that DSC achieves state-of-the-art clustering performance.
- Abstract(参考訳): スペクトルクラスタリングは一般的なクラスタリング手法である。
まずデータをスペクトル埋め込み空間にマッピングし、次にKmeansを使ってクラスタを見つける。
しかし、2つの分離されたステップは最適解に対する共同最適化を禁止している。
さらに、データは高次元であるときに次元の呪いに苦しむサンプルの類似性グラフを構築する必要がある。
これら2つの課題に対処するために、スペクトル埋め込みモジュールとgreedy Kmeansモジュールという2つの主要モジュールからなる \textbf{D}eep \textbf{S}pectral \textbf{C}lustering (\textbf{DSC})を導入する。
前者のモジュールは、ディープニューラルネットワークとパワーイテレーションを使用して、サンプルをスペクトル埋め込み空間に効率的に埋め込むことを学ぶ。
後者のモジュールは、学習したスペクトル埋め込み上のKmeansのクラスタ構造を、ひどい最適化戦略によって改善し、最悪のクラスタ構造の方向を反復的に明らかにし、この方向の埋め込みを最適化する。
スペクトル埋め込みとクラスタリングを協調的に最適化するために、2つのモジュールをシームレスに統合し、エンドツーエンドで最適化する。
7つの実世界のデータセットの実験結果は、DSCが最先端のクラスタリング性能を達成することを示す。
関連論文リスト
- Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-24T08:59:51Z) - MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。
本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。
ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-29T05:59:52Z) - 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) - Adaptive Graph Convolutional Subspace Clustering [10.766537212211217]
スペクトル型サブスペースクラスタリングアルゴリズムは多くのサブスペースクラスタリングアプリケーションにおいて優れた性能を示している。
本稿では,グラフ畳み込みネットワークにヒントを得たグラフ畳み込み手法を用いて特徴抽出法と係数行列制約を同時に開発する。
AGCSCを用いることで、元のデータサンプルの集合的特徴表現がサブスペースクラスタリングに適していると主張する。
論文 参考訳(メタデータ) (2023-05-05T10:27:23Z) - Enhancing cluster analysis via topological manifold learning [0.3823356975862006]
クラスタ化前にデータセットのトポロジ構造を推定することで,クラスタ検出を大幅に向上させることができることを示す。
位相構造を推定するための多様体学習法UMAPと密度に基づくクラスタリング法DBSCANを組み合わせた。
論文 参考訳(メタデータ) (2022-07-01T15:53:39Z) - flow-based clustering and spectral clustering: a comparison [0.688204255655161]
本研究では,本質的なネットワーク構造を持つデータに対する新しいグラフクラスタリング手法を提案する。
我々は、ユークリッド特徴ベクトルを構築するために、データ固有のネットワーク構造を利用する。
以上の結果から,クラスタリング手法が特定のグラフ構造に対処できることが示唆された。
論文 参考訳(メタデータ) (2022-06-20T21:49:52Z) - DRBM-ClustNet: A Deep Restricted Boltzmann-Kohonen Architecture for Data
Clustering [0.0]
DRBM-ClustNetと呼ばれるデータクラスタリングのためのベイジアンDeep Restricted Boltzmann-Kohonenアーキテクチャを提案する。
ラベルなしデータの処理は、非線形分離可能なデータセットの効率的なクラスタリングのために、3段階に分けて行われる。
このフレームワークはクラスタリングの精度に基づいて評価され、他の最先端クラスタリング手法と比較してランク付けされる。
論文 参考訳(メタデータ) (2022-05-13T15:12:18Z) - 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) - k-Factorization Subspace Clustering [12.18340575383456]
サブスペースクラスタリングは、低次元部分空間の結合にあるデータをクラスタ化する。
本稿では,大規模サブスペースクラスタリングのためのk-Factorization Subspace Clustering (k-FSC) 法を提案する。
論文 参考訳(メタデータ) (2020-12-08T10:34:21Z) - 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) - Clustering Binary Data by Application of Combinatorial Optimization
Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。
近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。
準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文 参考訳(メタデータ) (2020-01-06T23:33:31Z)
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。