論文の概要: Fuzzy Cluster-Aware Contrastive Clustering for Time Series

• arxiv url: http://arxiv.org/abs/2503.22211v1
• Date: Fri, 28 Mar 2025 07:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:28:41.601394
• Title: Fuzzy Cluster-Aware Contrastive Clustering for Time Series
• Title（参考訳）: ファジィクラスタによる時系列のコントラストクラスタリング
• Authors: Congyu Wang, Mingjing Du, Xiang Jiang, Yongquan Dong,
• Abstract要約: 従来の教師なしクラスタリング手法は、しばしば時系列データの複雑な性質を捉えるのに失敗する。 本稿では,表現学習とクラスタリングを協調的に最適化するファジィクラスタ対応コントラストクラスタリングフレームワーク(FCACC)を提案する。 本稿では,時系列データの様々な特徴を活用して特徴抽出を強化するために,新しい3視点データ拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 1.435214708535728
• License:
• Abstract: The rapid growth of unlabeled time series data, driven by the Internet of Things (IoT), poses significant challenges in uncovering underlying patterns. Traditional unsupervised clustering methods often fail to capture the complex nature of time series data. Recent deep learning-based clustering approaches, while effective, struggle with insufficient representation learning and the integration of clustering objectives. To address these issues, we propose a fuzzy cluster-aware contrastive clustering framework (FCACC) that jointly optimizes representation learning and clustering. Our approach introduces a novel three-view data augmentation strategy to enhance feature extraction by leveraging various characteristics of time series data. Additionally, we propose a cluster-aware hard negative sample generation mechanism that dynamically constructs high-quality negative samples using clustering structure information, thereby improving the model's discriminative ability. By leveraging fuzzy clustering, FCACC dynamically generates cluster structures to guide the contrastive learning process, resulting in more accurate clustering. Extensive experiments on 40 benchmark datasets show that FCACC outperforms the selected baseline methods (eight in total), providing an effective solution for unsupervised time series learning.
• Abstract（参考訳）: IoT(Internet of Things)によって駆動されるラベルなし時系列データの急速な成長は、基盤となるパターンを明らかにする上で大きな課題を提起する。 従来の教師なしクラスタリング手法は、しばしば時系列データの複雑な性質を捉えるのに失敗する。 近年のディープラーニングベースのクラスタリングアプローチは,効果はあるものの,表現学習の不十分さとクラスタリング目標の統合に苦慮している。 これらの問題に対処するために,表現学習とクラスタリングを協調的に最適化するファジィクラスタ対応コントラストクラスタリングフレームワーク(FCACC)を提案する。 本稿では,時系列データの様々な特徴を活用して特徴抽出を強化するために,新しい3視点データ拡張手法を提案する。 さらに,クラスタリング構造情報を用いて,高品質な負のサンプルを動的に構築し,モデルの識別能力を向上させるクラスタ認識型ハード負のサンプル生成機構を提案する。 ファジィクラスタリングを活用することにより、FCACCは動的にクラスタ構造を生成して対照的な学習プロセスをガイドし、より正確なクラスタリングを実現する。 40のベンチマークデータセットに対する大規模な実験により、FCACCは選択されたベースライン法(合計8つ)より優れており、教師なし時系列学習の効果的なソリューションを提供する。

関連論文リスト

• Adaptive Self-supervised Robust Clustering for Unstructured Data with Unknown Cluster Number [12.926206811876174]
  適応型自己教師型ロバストクラスタリング(Adaptive Self-supervised Robust Clustering, ASRC)と呼ばれる非構造化データに適した,新たな自己教師型ディープクラスタリング手法を提案する。 ASRCはグラフ構造とエッジ重みを適応的に学習し、局所構造情報と大域構造情報の両方をキャプチャする。 ASRCは、クラスタ数の事前知識に依存するメソッドよりも優れており、非構造化データのクラスタリングの課題に対処する上での有効性を強調している。
  論文  参考訳（メタデータ） (2024-07-29T15:51:09Z)
• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• Dynamic Clustering and Cluster Contrastive Learning for Unsupervised Person Re-identification [29.167783500369442]
  教師なしRe-ID手法は、ラベルのないデータから堅牢で差別的な特徴を学習することを目的としている。 本稿では,動的クラスタリングとクラスタコントラスト学習(DCCC)手法を提案する。 提案したDCCCの有効性を検証するために, 広く利用されている複数の公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2023-03-13T01:56:53Z)
• Deep Temporal Contrastive Clustering [21.660509622172274]
  本稿では,時間差の深いクラスタリング手法を提案する。 対照的な学習パラダイムを、ディープ時系列クラスタリング研究に取り入れている。 様々な時系列データセットの実験は、最先端技術に対する我々のアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2022-12-29T16:43:34Z)
• MHCCL: Masked Hierarchical Cluster-Wise Contrastive Learning for Multivariate Time Series [20.008535430484475]
  Masked Hierarchical Cluster-wise Contrastive Learning modelを示す。 時系列の複数の潜在パーティションからなる階層構造から得られる意味情報を利用する。 教師なし時系列表現学習における最先端の手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2022-12-02T12:42:53Z)
• 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)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Deep adaptive fuzzy clustering for evolutionary unsupervised representation learning [2.8028128734158164]
  大規模で複雑な画像のクラスタ割り当ては、パターン認識とコンピュータビジョンにおいて重要かつ困難な作業です。 反復最適化による新しい進化的教師なし学習表現モデルを提案する。 ファジィメンバシップを利用して深層クラスタ割り当ての明確な構造を表現するディープリコンストラクションモデルに対して,共同でファジィクラスタリングを行った。
  論文  参考訳（メタデータ） (2021-03-31T13:58:10Z)
• Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
  教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。 本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。 我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
  論文  参考訳（メタデータ） (2020-07-06T08:11:03Z)

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。