文献

J-GLOBAL ID：201902292402096874   整理番号：19A2441792

重み付きk部分空間ネットワークによるディープクラスタリング【JST・京大機械翻訳】

Deep Clustering via Weighted $k$-Subspace Network

著者 (4件)： Huang Weitian (Guangdong Key Laboratory of IoT Information Processing, School of Automation, Guangdong University of Technology, Guangzhou, China) ,  Yin Ming (Guangdong Key Laboratory of IoT Information Processing, School of Automation, Guangdong University of Technology, Guangzhou, China) ,  Li Jianzhong (Guangdong Key Laboratory of IoT Information Processing, School of Automation, Guangdong University of Technology, Guangzhou, China) ,  Xie Shengli (Guangdong Key Laboratory of IoT Information Processing, School of Automation, Guangdong University of Technology, Guangzhou, China)
資料名： IEEE Signal Processing Letters  (IEEE Signal Processing Letters)
巻： 26  号： 11  ページ： 1628-1632  発行年： 2019年 
JST資料番号： W0576A  ISSN： 1070-9908  CODEN： ISPLEM  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： 部分空間クラスタリングは,同じクラスタ内のサンプルが同じ低次元部分空間にあるという仮説の下で,データをクラスタに分離することを目的とする。タフ対制約により,k部分空間クラスタリングは異常値と初期化に敏感である。本論文では,この問題に対処するためのk-部分空間クラスタリングのための新しい深いアーキテクチャを提案した。これはDeep Weighted k-部分空間クラスタリング(DWSC)と呼ばれる。具体的には,著者らのフレームワークは自動符号器と重み付きk-subsapceネットワークから成る。最初に,自己エンコーダを用いて,サンプルを低次元潜在空間に非線形に圧縮した。重み付きk-部分空間ネットワークにおいて,著者らは,潜在的表現を割り当てネットワークに供給して,それに従って,データの確率を表現するソフト割当を出力した。次に,重みづけベクトルとして学習されたソフト割当を用いて,すべての部分空間への潜在的表現の射影残差を最小化することによって,最適k部分空間を同定した。最終的に,著者らは統一フレームワークにおける表現学習とクラスタ化を共同で最適化する。実験結果は,著者らの方法が2つのベンチマークデータセットに関する最先端の部分空間クラスタリング法より優れていることを示した。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： 学習 ,  射影 ,  計算機アーキテクチャ ,  ベンチマーク ,  符号器 ,  クラスタ化 ,  最適化 ,  *クラスタ ,  異常値 ,  ベクトル ,  残差 ,  *ネットワーク ,  重みづけ
準シソーラス用語： 部分空間クラスタリング ,  *部分空間 , 【Automatic Indexing@JST】

分類 (2件)： 数値計算  (JE02000J) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (1件)： 部分空間