論文の概要: A Comprehensive Survey on Spectral Clustering with Graph Structure Learnin

• arxiv url: http://arxiv.org/abs/2501.13597v1
• Date: Thu, 23 Jan 2025 12:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:57:40.722739
• Title: A Comprehensive Survey on Spectral Clustering with Graph Structure Learnin
• Title（参考訳）: グラフ構造学習によるスペクトルクラスタリングに関する総合的研究
• Authors: Kamal Berahmand, Farid Saberi-Movahed, Razieh Sheikhpour, Yuefeng Li, Mahdi Jalili,
• Abstract要約: スペクトルクラスタリングは、高次元データをクラスタリングするための強力な技術である。 グラフクラスタリング手法として,ペアワイズ,アンカー,ハイパーグラフに基づく手法について検討する。 マルチビュークラスタリングフレームワークについて論じ,アプリケーションを1段階,2段階のクラスタリングプロセスで検証する。
• 参考スコア（独自算出の注目度）: 10.579153358536372
• License:
• Abstract: Spectral clustering is a powerful technique for clustering high-dimensional data, utilizing graph-based representations to detect complex, non-linear structures and non-convex clusters. The construction of a similarity graph is essential for ensuring accurate and effective clustering, making graph structure learning (GSL) central for enhancing spectral clustering performance in response to the growing demand for scalable solutions. Despite advancements in GSL, there is a lack of comprehensive surveys specifically addressing its role within spectral clustering. To bridge this gap, this survey presents a comprehensive review of spectral clustering methods, emphasizing on the critical role of GSL. We explore various graph construction techniques, including pairwise, anchor, and hypergraph-based methods, in both fixed and adaptive settings. Additionally, we categorize spectral clustering approaches into single-view and multi-view frameworks, examining their applications within one-step and two-step clustering processes. We also discuss multi-view information fusion techniques and their impact on clustering data. By addressing current challenges and proposing future research directions, this survey provides valuable insights for advancing spectral clustering methodologies and highlights the pivotal role of GSL in tackling large-scale and high-dimensional data clustering tasks.
• Abstract（参考訳）: スペクトルクラスタリングは高次元データをクラスタリングする強力な手法であり、グラフベースの表現を利用して複雑な非線形構造や非凸クラスタを検出する。 類似性グラフの構築は、グラフ構造学習(GSL)を、スケーラブルなソリューションの需要の増大に応じてスペクトルクラスタリング性能の向上に向け、正確かつ効果的なクラスタリングを実現するために不可欠である。 GSLの進歩にもかかわらず、スペクトルクラスタリングにおけるその役割に特に対処する包括的な調査が欠如している。 このギャップを埋めるために、この調査はスペクトルクラスタリング手法の総合的なレビューを行い、GSLの重要な役割を強調した。 固定と適応の両方の設定において、ペアワイズ、アンカー、ハイパーグラフベースの手法を含む様々なグラフ構築手法を探索する。 さらに、スペクトルクラスタリングアプローチを単一ビューおよび多ビューフレームワークに分類し、そのアプリケーションを1段階および2段階のクラスタリングプロセスで検証する。 また,マルチビュー情報融合技術とそのクラスタリングデータへの影響についても論じる。 現在の課題に対処し、今後の研究方向性を提案することで、スペクトルクラスタリング手法の進歩に貴重な洞察を与え、大規模かつ高次元のデータクラスタリングタスクに取り組む上で、GSLが果たす重要な役割を強調します。

関連論文リスト

• Spectral Clustering in Convex and Constrained Settings [0.0]
  半定スペクトルクラスタリングにペアワイズ制約をシームレスに統合する新しいフレームワークを提案する。 本手法は,半定スペクトルクラスタリングによって複雑なデータ構造を捕捉する能力を体系的に拡張する。
  論文  参考訳（メタデータ） (2024-04-03T18:50:14Z)
• Toward Efficient and Incremental Spectral Clustering via Parametric Spectral Clustering [2.44755919161855]
  スペクトルクラスタリングは、非線形分離可能なデータを効果的にクラスタリングするための一般的な方法である。 本稿では、パラメトリックスペクトルクラスタリング(PSC)と呼ばれる新しい手法を提案する。 PSCは、ビッグデータとリアルタイムシナリオに関連する課題に対処する。
  論文  参考訳（メタデータ） (2023-11-14T01:26:20Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• 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)
• GLCC: A General Framework for Graph-level Clustering [5.069852282550117]
  本稿では,グラフレベルのクラスタリングの問題について検討する。 GLCC(Graph-Level Contrastive Clustering)というグラフレベルの一般的なクラスタリングフレームワークを提案する。 様々なよく知られたデータセットに対する実験は、競合するベースラインよりも提案したGLCCの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-21T11:08:10Z)
• Deep Clustering: A Comprehensive Survey [53.387957674512585]
  クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。 ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。 ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
  論文  参考訳（メタデータ） (2022-10-09T02:31:32Z)
• 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)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• 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)
• 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)

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。