抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
【目的】大きなデータ環境におけるマルチビュークラスタリングは,非常に価値があり,非常に挑戦的な問題である。既存の大規模多視点データクラスタリングの既存の方法は,目的関数の非凸性に起因する局所最小値をある程度克服できるが,異常点ロバスト性の考慮を欠いているが,サンプル選択過程では視角多様性を無視する。上記の問題を解決するために,自己学習に基づくロバスト多様性マルチビュークラスタリングモデル(RD-MSPL)を提案した。方法:1)目的関数に構造スパースノルムL2,1を取り入れて異常点をモデル化し,2)自己ステップ正則項においてサンプル重み行列に逆構造スパース制約を加えることにより,複数の視点で選択したサンプルの多様性を増加させる。【結果】ExtendedYaleB,Notting-Hill,COIL-20およびScene15の公開データセットに関する実験結果は,以下を示した。1)4つのデータセットにおいて,提案したRD-MSPLは,既存の2つの最も相関したマルチビュークラスタリング法より優れている。ロバスト多視点クラスタリング法(RMKMC)と比較して,クラスタリング精度は,それぞれ4.9%,4.8%,3.3%および1.3%増加し,MSPLと比較して,それぞれ,7.9%,4.2%,7.1%および6.5%増加した。2)自己比較実験を通じて、提案モデルはロバスト性とサンプル多様性の有効性を考慮している,3)単一視角及び複数視点と単純に接した実験との比較により、RD-MSPLは視角間の関係をより有効に探索できることが明らかになった。【結論】自己学習に基づくロバスト多様性マルチビュークラスタリングモデルを提案し,そして,効率的アルゴリズムを設計した。提案方法は,異常点がクラスタリング性能に及ぼす影響を効果的に克服することができ,異なる視点での多様性サンプルがクラスタリングプロセス中に徐々に加えられ,局所最小値を避けながら,異なる視点の相補的情報をより良く取得できる。実験結果は,提案方法が既存の方法より優れていることを示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】