文献

J-GLOBAL ID：201602216548946713   整理番号：16A0677145

ペアごと制約条件伝搬によるアクティブクラスタリングへのスペクトルクラスタリングと深い学習【Powered by NICT】

Deep learning vs spectral clustering into an active clustering with pairwise constraints propagation

著者 (4件)： Voiron Nicolas (LISTIC, Universit Savoie Mont Blanc, 74940, Annecy le Vieux, France) ,  Benoit Alexandre (LISTIC, Universit Savoie Mont Blanc, 74940, Annecy le Vieux, France) ,  Lambert Patrick (LISTIC, Universit Savoie Mont Blanc, 74940, Annecy le Vieux, France) ,  Ionescu Bogdan (LAPI, University Politehnica of Bucharest, 061071, Bucharest, Romania)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： CBMI  ページ： 1-6  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： データ駆動の世界では,カテゴリー化はエンドユーザと意思決定者が情報構造の理解を助けるために非常に重要である。教師つき学習技術を得ることは困難であることが多いことを注釈付き試料に依存しており,訓練はしばしばoverfits。一方,教師なしクラスタリング技術は,訓練データの処理のないデータの構造を調べた。タスクの困難さがあるので,教師つき学習,教師なし学習の性能を上回ることが多い。妥協が性能を向上させるために,スマートな方法で選択した部分的知識を用いることである学習コスト,半教師つき学習と呼ばれるものを最小化した。このようなユースケース,スペクトルクラスタリングは効率的な方法であることが証明された。深層学習は分類手法のいくつかの状態を凌駕し,筆者らの文脈においてそれを試験することは興味深い。本論文では,まず能動半教師付きクラスタリングプロセスに深層学習の概念を導入し,スペクトルクラスタリングと比較した。第二に,制約伝搬を導入し,アノテーションコストを削減しながら,分割品質を最大化するかを示した。実験検証を二つの異なる実データセット上で実施した。結果は,クラスタリング法の可能性を示した。Copyright 2016 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 教師つき学習 ,  教師なし学習 ,  アノテーション ,  *制約条件 ,  *学習
準シソーラス用語： データセット ,  制約伝搬 ,  半教師付きクラスタリング ,  深層学習 ,  ユースケース ,  最小化 ,  半教師つき学習 ,  訓練データ ,  教師なしクラスタリング ,  データ駆動 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 制約条件 ,  伝搬 ,  クラスタリング ,  スペクトルクラスタリング ,  学習