論文の概要: Granular-Ball-Induced Multiple Kernel K-Means

• arxiv url: http://arxiv.org/abs/2506.18637v1
• Date: Mon, 23 Jun 2025 13:39:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:37.001069
• Title: Granular-Ball-Induced Multiple Kernel K-Means
• Title（参考訳）: グラニュラーボール誘起多重カーネルK平均
• Authors: Shuyin Xia, Yifan Wang, Lifeng Shen, Guoyin Wang,
• Abstract要約: 高速クラスタリングのための粒界カーネル(GBK)とその対応する粒界マルチカーネルK-meansフレームワーク(GB-MKKM)を紹介する。 提案したGB-MKKMフレームワークは,複数のカーネル空間における粒界関係を利用して効率とクラスタリング性能を向上する。
• 参考スコア（独自算出の注目度）: 16.926958592442954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most existing multi-kernel clustering algorithms, such as multi-kernel K-means, often struggle with computational efficiency and robustness when faced with complex data distributions. These challenges stem from their dependence on point-to-point relationships for optimization, which can lead to difficulty in accurately capturing data sets' inherent structure and diversity. Additionally, the intricate interplay between multiple kernels in such algorithms can further exacerbate these issues, effectively impacting their ability to cluster data points in high-dimensional spaces. In this paper, we leverage granular-ball computing to improve the multi-kernel clustering framework. The core of granular-ball computing is to adaptively fit data distribution by balls from coarse to acceptable levels. Each ball can enclose data points based on a density consistency measurement. Such ball-based data description thus improves the computational efficiency and the robustness to unknown noises. Specifically, based on granular-ball representations, we introduce the granular-ball kernel (GBK) and its corresponding granular-ball multi-kernel K-means framework (GB-MKKM) for efficient clustering. Using granular-ball relationships in multiple kernel spaces, the proposed GB-MKKM framework shows its superiority in efficiency and clustering performance in the empirical evaluation of various clustering tasks.
• Abstract（参考訳）: マルチカーネルK平均のような既存のマルチカーネルクラスタリングアルゴリズムは、複雑なデータ分布に直面している場合、計算効率と堅牢性に悩まされることが多い。 これらの課題は、最適化のためのポイント・ツー・ポイントの関係に依存しているため、データセット固有の構造と多様性を正確に把握することが困難になる可能性がある。 さらに、そのようなアルゴリズムにおける複数のカーネル間の複雑な相互作用により、これらの問題がさらに悪化し、高次元空間におけるデータポイントのクラスタリング能力に影響を及ぼす可能性がある。 本稿では,粒度計算を利用してマルチカーネルクラスタリングフレームワークを改良する。 グラニュラーボールコンピューティングのコアは、粗いレベルから許容できるレベルまでのボールによるデータの分布を適応的に適合させることである。 各球は密度一貫性の測定に基づいてデータポイントを囲むことができる。 このようなボールベースのデータ記述は、未知の雑音に対する計算効率とロバスト性を改善する。 具体的には、グラニュラーボール表現に基づいて、効率的なクラスタリングのためのグラニュラーボールカーネル(GBK)とその対応するグラニュラーボールマルチカーネルK-meansフレームワーク(GB-MKKM)を紹介する。 提案したGB-MKKMフレームワークは,複数のカーネル空間における粒界関係を利用して,様々なクラスタリングタスクの実験的評価において,効率とクラスタリング性能の優位性を示す。

関連論文リスト

• Graph Probability Aggregation Clustering [5.377020739388736]
  本稿では,グローバルクラスタリング対象関数と局所クラスタリング制約を統一するグラフベースのファジィクラスタリングアルゴリズムを提案する。 GPACフレームワーク全体は多制約最適化問題として定式化され、ラグランジアン法を用いて解くことができる。 合成,実世界,ディープラーニングのデータセットを用いて行った実験は,GPACがクラスタリング性能において既存の最先端手法を超えるだけでなく,計算効率も優れていることを示した。
  論文  参考訳（メタデータ） (2025-02-27T09:11:32Z)
• GBFRS: Robust Fuzzy Rough Sets via Granular-ball Computing [48.33779268699777]
  ファジィ粗セット理論は複雑な属性を持つデータセットを処理するのに有効である。 既存のモデルのほとんどは最も細かい粒度で動作しており、非効率でノイズに敏感である。 本稿では,多粒度グラニュラーボール計算をファジィ粗集合理論に統合し,サンプル点の代替としてグラニュラーボールを提案する。
  論文  参考訳（メタデータ） (2025-01-30T15:09:26Z)
• GBCT: An Efficient and Adaptive Granular-Ball Clustering Algorithm for Complex Data [49.56145012222276]
  粒状球クラスタリング(GBCT)と呼ばれる新しいクラスタリングアルゴリズムを提案する。 GBCTは、従来の点関係ではなく、グラニュラーボールの関係に従ってクラスタを形成する。 グラニュラーボールは様々な複雑なデータに適合するので、GBCTは従来のクラスタリング法よりも非球面データセットにおいてはるかに優れている。
  論文  参考訳（メタデータ） (2024-10-17T07:32:05Z)
• 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)
• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy Granular balls [67.33923111887933]
  本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。 ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
  論文  参考訳（メタデータ） (2023-03-07T01:52:55Z)
• 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)
• Variable feature weighted fuzzy k-means algorithm for high dimensional data [30.828627752648767]
  現実世界のアプリケーションでは、クラスタに依存した機能はデータセットをより意味のあるクラスタに分割するのに役立ちます。 本稿では,2つの異なるエントロピー項を用いてファジィk平均の目的関数を変更することで,新しいファジィk平均クラスタリングアルゴリズムを提案する。 本手法は実世界および合成データセットにおける教師なしおよび教師なしのパフォーマンス測定を用いて検証する。
  論文  参考訳（メタデータ） (2019-12-24T04:58:47Z)

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。