文献

J-GLOBAL ID：202102272605111006   整理番号：21A0169902

高次元データのための部分空間重み付きコンセンサスクラスタリング【JST・京大機械翻訳】

Subspace-Weighted Consensus Clustering for High-Dimensional Data

著者 (4件)： Cai Xiaosha (College of Mathematics and Informatics, South China Agricultural University, Guangzhou, China) ,  Cai Xiaosha (Guangzhou Key Laboratory of Smart Agriculture, Guangzhou, China) ,  Huang Dong (College of Mathematics and Informatics, South China Agricultural University, Guangzhou, China) ,  Huang Dong (Guangzhou Key Laboratory of Smart Agriculture, Guangzhou, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12447  ページ： 3-16  発行年： 2021年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： コンセンサスクラスタリングは,複数のベースクラスタを,おそらくより良く,よりロバストなクラスタリング結果に組み込むことを目的とする。近年の重大な進歩にもかかわらず,既存のコンセンサスクラスタリング手法は,一般的に汎用シナリオのために設計されているが,高次元データを効果的かつ効率的に処理する能力を欠いていることが多い。この目的のために,本論文では,高次元データにおける2つの重要な観察に基づく部分空間加重コンセンサスクラスタリング手法を提案した。最初に,クラスタ構造は高次元特徴空間において異なる部分空間にしばしば存在する。第2に,高次元データの特徴は,異なる重要性があり,異なって処理されるべきである。特に,ラプラシアンスコアを利用して,異なる特徴の重要性を推定した。次に,加重ランダムサンプリングを繰り返し行い,多様なランダム部分空間の集合を生成し,その中で多重ベースクラスタを生成することができた。さらに,各ベースクラスタリングの信頼性を評価し,対応する部分空間における特徴の信頼性を考慮して重み付けし,その後,部分空間加重二部グラフを構築し,最終コンセンサスクラスタリング結果を得るために効率的に分割した。10の実世界高次元データセットに関する実験結果は,提案した方法の有効性と効率を実証した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 信頼性 ,  *クラスタ化 ,  多重化 ,  *クラスタ ,  *高次元 ,  重みづけ ,  有効性 ,  無作為抽出 ,  ロバスト性 ,  Laplace演算子
準シソーラス用語： 二部グラフ ,  *部分空間 ,  特徴空間 ,  クラスター構造 ,  高次元データ , 【Automatic Indexing@JST】

著者キーワード (5件)： コンセンサスクラスタリング ,  アンサンブルクラスタリング ,  重みづけ機構 ,  ラプラシアンスコア ,  高次元データ

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

タイトルに関連する用語 (4件)： 高次元データ ,  部分空間 ,  コンセンサス ,  クラスタリング