文献

J-GLOBAL ID：201802288942217264   整理番号：18A1298547

ブースト制約付きk平均アルゴリズムを用いたクラスタリング【JST・京大機械翻訳】

Clustering Using Boosted Constrained k-Means Algorithm

著者 (2件)： Okabe Masayuki (Faculty of Management and Information Systems, Prefectural University of Hiroshima) ,  Yamada Seiji (Digital Content and Media Sciences Research Divsion, National Institute of Informatics, The Graduate University for Advanced Studies (SOKENDAI))
資料名： Frontiers in Robotics and AI (Web)  (Frontiers in Robotics and AI (Web))
巻： 5  ページ： 18  発行年： 2018年 
JST資料番号： U7099A  ISSN： 2296-9144  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 本論文では,競合性能を有する制約付きクラスタリングアルゴリズムを提案し,最先端の方法に対する計算時間が少なく,これは,ブースト原理により強化された制約付きk-平均アルゴリズムから構成される。背景知識として制約を用いた制約付きk-平均クラスタリングは,実装が容易で迅速であるが,計量学習ベースの方法と比較して性能が不十分である。それは制約違反をチェックするためにk-平均アルゴリズムのデータ割当プロセスに単に機能を加えるので,それはしばしば少数の制約を利用する。データ類似性のための新しい計量を作成するための制約を利用する計量学習ベースの方法は,これまで提案された方法がデータ量または特徴次元の数に依存してしばしば遅いが,有望な結果を示した。制約付きk-平均とメトリック学習アプローチの利点を利用する方法を示した。制約優先度を受け入れるための機構と,制約付きk-平均アルゴリズムへのブースティング原理に基づくメトリック学習フレームワークを組み込んだ。このフレームワークでは,制約付きk-平均アルゴリズムにより生成される弱いクラスタ仮説を統合するカーネル行列の形式でメトリックを学習し,それはブースティング原理の下で弱い学習者として働く。3つのデータ源からの12のデータセットの実験結果は,著者らの方法がほとんどのデータセットのために最先端の制約されたクラスタリング法のそれらと競合する性能を有して,それがはるかに少ない計算時間を取ることを証明した。実験評価により,ブースティング原理を用いることにより制約優先度を制御する有効性を示し,制約付きk-平均アルゴリズムは,ブースティングの弱い学習者として正しく機能することを示した。Copyright 2018 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 類似性 ,  CPU時間 ,  優先度 ,  *クラスタ化 ,  *クラスタ ,  学習 ,  *アルゴリズム
準シソーラス用語： クラスタリング法 ,  学習者 ,  ホップ数 ,  ブースティング ,  メトリック学習 ,  背景知識 ,  最先端 ,  クラスタリングアルゴリズム , 【Automatic Indexing@JST】

著者キーワード (5件)： 制約付きクラスタリング ,  計量学習 ,  ブースティング ,  制約付きk平均アルゴリズム ,  カーネル行列学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 制約 ,  平均 ,  アルゴリズム ,  クラスタリング