文献

J-GLOBAL ID：201902220282088189   整理番号：19A0517849

サイバー-物理-社会システムにおけるマルチモーダルデータのためのパラメータのないインクリメンタルな共クラスタリング【JST・京大機械翻訳】

Parameter-Free Incremental Co-Clustering for Multi-Modal Data in Cyber-Physical-Social Systems

著者 (3件)： Zhao Liang (School of Software Technology, Dalian University of Technology, Dalian, China) ,  Chen Zhikui (School of Software Technology, Dalian University of Technology, Dalian, China) ,  Yang Yi (Department of Electrical and Computer Engineering, The University of British Columbia, Vancouver, BC, Canada)
資料名： IEEE Access  (IEEE Access)
巻： 5  ページ： 21852-21861  発行年： 2017年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： サイバー-物理-社会システム(CPSS)の急速な進歩により,大量の動的マルチモーダルデータが発生し収集されている。これらのデータを効果的かつ効率的に分析することは,CPSSアプリケーションの開発を促進し,サービス品質を改善するのに役立つ。マルチモーダルデータ解析の重要な技術として,交差モダリティ融合に基づく多次元データのグループ化を同定するために設計された共クラスタ化は,しばしば利用される。残念ながら,静的データを扱うことに主に焦点を合わせるほとんどの既存の共同クラスタリング法は,動的CPSS環境における大量のマルチモーダルデータを融合するために実行不可能になる。この問題に取り組むために,本論文では,マルチモーダルデータを動的に処理するためのパラメータのない増分共クラスタリング法を提案した。提案した方法では,単一モダリティ類似性測度を複数のモダリティに拡張し,3つの演算,すなわちクラスタ生成,クラスタ併合,およびインスタンス分割を定義し,付加的パラメータを導入することなく,新しい到着オブジェクトを現在のクラスタリングパターンに統合的に統合する。さらに,クラスタ内散乱器に基づく特徴モダリティの重要性を測定するために,適応重み方式を設計した。CPSSから収集された3つの実世界マルチモーダルデータセットに関する広範な実験は,提案方法が有効性と効率性に関して比較された最先端の方法より優れていることを実証して,このように,それはサイバー-物理-社会システムにおける動的マルチモーダルデータをクラスタ化するのに有望である。Copyright 2019 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： 散乱 ,  類似性 ,  有効性 ,  *クラスタ ,  データ解析 ,  測度 ,  *多モード ,  *クラスタ化 ,  応用プログラム ,  *社会システム ,  クラスタ形成 ,  高速度
準シソーラス用語： クラスタリング法 ,  モダリティ ,  サービス品質 , 【Automatic Indexing@JST】

分類 (3件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 物理 ,  社会 ,  マルチモーダル ,  パラメータ ,  クラスタリング