文献

J-GLOBAL ID：201702273042215334   整理番号：17A1969728

局所グラフに基づく相関クラスタリング【Powered by NICT】

Local graph based correlation clustering

著者 (3件)： Pandove Divya (Research Lab, Computer Science and Engineering Department, Thapar University, Patiala, Punjab,147004, India) ,  Rani Rinkle (Computer Science and Engineering department, Thapar University, Patiala, Punjab, 147004, India) ,  Goel Shivani (Department of Computer Science Engineering, School of Engineering and Applied Sciences, Bennett University, Greater Noida, U.P., India)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 138  ページ： 155-175  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 高次元データでは,クラスタは複雑な階層関係の形で存在することが多い。これらの関係を明らかにするために,データマイニング手法とグラフ理論を用いた次元縮小技術を統合する必要がある。この統合した欠陥のない場合のデータ点における相関をより明確に現れた。局所グラフに基づく相関クラスタリング(LGBACC)と呼ばれる手法を提案した。このアプローチは複雑な階層関係を明らかにするために階層的クラスタリングを統合して,PCAであり,結果を可視化するためのグラフモデルを使用する。は四相に分けられることをこの方法のフレームワークを提案した。各相は次の段階を統合した完ぺきにである。各相後データの可視化は,重要な出力であり,フレームワークの布に編である。この方法の焦点は高品質クラスタを得ることにある。得られた最終クラスタの品質は標準指標を用いて測定した。LGBACCは既存の階層的クラスタリング手法よりも優れていることが分かった。実世界データセットは,提案フレームワークを検証した。これらのデータセットは,低と高次元データの上で,提案アプローチを試験した。LGBACCは次元の広いスペクトル全体にわたる高品質のクラスタを生成することが分かった。合成で生成した高次元および大規模データセットに対するスケーラビリティ試験は,提案した方法が効率的であることを示した。LGBACCは高次元と大規模データ空間における高品質のクラスタを生成する効率的でスケーラブルなアプローチである。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *クラスタ化 ,  スペクトル ,  *クラスタ ,  可視化 ,  品質 ,  *グラフ ,  グラフ理論 ,  次元縮小 ,  データマイニング ,  高次元
準シソーラス用語： 大規模データ ,  高品質 ,  グラフモデル ,  階層的クラスタリング ,  高次元データ , 【Automatic Indexing@JST】

著者キーワード (5件)： 相関クラスタリング ,  次元縮小 ,  グラフ解析 ,  階層的クラスタリング ,  クラスタ品質

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (3件)： グラフ ,  相関 ,  クラスタリング