文献

J-GLOBAL ID：201902281412139712   整理番号：19A2923174

KSC:高速で単純なスペクトルクラスタリングアルゴリズム【JST・京大機械翻訳】

KSC: A Fast and Simple Spectral Clustering Algorithm

著者 (3件)： Zhai Longcheng (Beijing University of Posts and Telecommunications) ,  Wu Bin (Beijing University of Posts and Telecommunications) ,  Li Qiuyue (Beijing University of Posts and Telecommunications)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： DSC  ページ： 381-387  発行年： 2019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： スペクトルクラスタリング(SC)は機械学習とデータマイニングの分野で成功裏に使用されてきた。それは広く使われているが,SCの一つの重要な欠点は高価な計算コストである。データサイズと次元が増加すると,SCの時間オーバーヘッドは耐えられない。この問題を克服するために,時間コストを削減するための新しいSCアルゴリズムKSCを提案した。本論文では,k-平均++のシーディングステップを近似するためにMarkov連鎖モンテカルロサンプリングを使用し,k-平均の初期クラスタ中心を得た。同時に,サンプル点から中心点までの距離を計算することによりSCのデータ集合を再定義し,時間オーバーヘッドを低減するために次元縮小を達成した。最後に,著者らは,実際と合成データセットの両方の他の方法に対してKSCを比較する広範な実験を行った。結果は,KSCがクラスタ化精度を維持しながら,その速度を著しく改善することを示した。Copyright 2020 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： クラスタ化 ,  機械学習 ,  *アルゴリズム ,  次元縮小 ,  データマイニング ,  *スペクトル ,  Markov連鎖 ,  *クラスタ
準シソーラス用語： シーディング ,  オーバヘッド ,  計算コスト ,  *スペクトラルクラスタリング ,  *クラスタリングアルゴリズム , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： スペクトル ,  クラスタリングアルゴリズム