文献

J-GLOBAL ID：201802274955734132   整理番号：18A1621871

クラスタリングのためのCuravtureを意識した非負行列因子分解【JST・京大機械翻訳】

Curavture-Aware Non-Negative Matrix Factorization for Clustering

著者 (1件)： Lv Jiaren (Shanghai Jiao Tong University, School of Electronic Information and Electrical Engineering, Shanghai, 200240, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICCSEC  ページ： 115-120  発行年： 2017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： 非負行列因数分解(NMF)はパターン認識とコンピュータビジョンにおける最も成功した技術の一つである。NMFの主な利点は,人間の脳が物体を認識する方法と一致する入力の部分ベースの表現である。一方,高次元データは通常低次元多様体上に存在する。標準NMFの性能は多様体正則化を組み込むことにより著しく改善できる。しかし,ほとんどの既存の多様体法は,外部幾何学を考慮することができない。すなわち,多様体が元の高次元データ空間に埋め込まれ,異なるクラスタからの近位点を識別できる。本論文では,データ分布の外因性幾何構造を明示的に考慮するために,曲率認識非負行列因数分解(CANMF)と名付けた新しいアルゴリズムを提案した。最初に,データの固有幾何構造を符号化するための親和性グラフを構築した。次に,異方性拡散過程を利用して,外因性曲率を利用し,拡散演算子により親和性グラフの重みを求めた。このように,異なるクラスからの重みを圧縮することができて,提案したCANMFの識別能力を強化することができた。いくつかの実世界データセットに関する実験結果は,著者らのアルゴリズムの利点を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  幾何学 ,  親和性 ,  パターン認識 ,  曲率 ,  *クラスタ化 ,  コンピュータビジョン ,  正則化 ,  *クラスタ ,  多様体
準シソーラス用語： 異方性拡散 ,  幾何構造 ,  低次元 ,  高次元データ ,  *非負行列因子分解 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： クラスタリング ,  意識 ,  非負行列因子分解