文献

J-GLOBAL ID：202102219064232996   整理番号：21A2570452

適応重み付きグラフ融合不完全マルチビュー部分空間クラスタリング【JST・京大機械翻訳】

Adaptive Weighted Graph Fusion Incomplete Multi-View Subspace Clustering

著者 (7件)： Zhang Pei ,  Wang Siwei ,  Hu Jingtao ,  Cheng Zhen ,  Guo Xifeng ,  Zhu En ,  Cai Zhiping
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 20  ページ： 5755  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  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： 種々のセンサと特徴抽出アプローチによって作り出される膨大な量のマルチソースデータによって,マルチビュークラスタ化(MVC)は,開発研究注目を引きつけて,データ解析において広く利用されてきた。既存のマルチビュークラスタリング法の大部分は,全ての見解が完全であるという仮定に留まっている。しかし,多くの実際のシナリオにおいて,マルチビューデータは,多くの理由,例えば,ハードウェア故障または不完全なデータ収集に対して,しばしば不完全である。本論文では,不完全多視点クラスタリング問題を解くための適応加重グラフ融合不完全マルチビュー部分空間クラスタリング(AWGF-IMSC)法を提案した。最初に,元の空間に存在する雑音を除去するため,完全な元のデータを潜在表現に変換し,各視点に対するより良いグラフ構築に寄与する。次に,特徴抽出と不完全グラフ融合を統一フレームワークに組み込み,一方,2つのプロセスは,グラフ学習タスクのために,互いに交渉できる。スパース正則化を完全グラフに課し,それを視野不整合によりロバストにした。さらに,異なる視点の重要性を自動的に学習し,さらに完全なグラフの構築を導く。効果的反復アルゴリズムを提案して,収束によって結果として生じる最適化問題を解決した。既存の最先端の方法と比較して,いくつかの実世界データセットに関する実験結果は,著者らの提案した方法の有効性と進歩を実証した。Copyright 2021 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： 雑音 ,  学習 ,  最適化問題 ,  特徴抽出 ,  クラスタ化 ,  不整合 ,  正則化 ,  *完全グラフ ,  データ収集 ,  ハードウェア障害 ,  ロバスト性
準シソーラス用語： 反復アルゴリズム ,  *マルチビュー ,  クラスタリング法 ,  *部分空間クラスタリング , 【Automatic Indexing@JST】

著者キーワード (4件)： 多特徴 ,  不完全マルチビュークラスタリング ,  部分空間学習 ,  グラフ融合

分類 (3件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I) ,  通信網  (ND07030A)

引用文献 (52件)：

• Zhao, Q.; Zhang, Y.; Qin, Q.; Luo, B. Quantized Residual Preference Based Linkage Clustering for Model Selection and Inlier Segmentation in Geometric Multi-Model Fitting. Sensors 2020, 20, 3806.
• Biabani, M.; Fotouhi, H.; Yazdani, N. An Energy-Efficient Evolutionary Clustering Technique for Disaster Management in IoT Networks. Sensors 2020, 20, 2647.
• Deng, T.; Ye, D.; Ma, R.; Fujita, H.; Xiong, L. Low-rank local tangent space embedding for subspace clustering. Inf. Sci. 2020, 508, 1-21.
• Peng, X.; Feng, J.; Zhou, J.T.; Lei, Y.; Yan, S. Deep subspace clustering. IEEE Trans. Neural Netw. Learn. Syst. 2020.
• Chen, J.; Zhao, Z.; Ye, J.; Liu, H. Nonlinear Adaptive Distance Metric Learning for Clustering. In Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD’07), San Jose, CA, USA, 12-15 August 2007; Association for Computing Machinery: New York, NY, USA, 2007; pp. 123-132.

タイトルに関連する用語 (5件)： 適応 ,  グラフ ,  融合 ,  マルチビュー ,  部分空間クラスタリング