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。
深層クラスタリングは,表現学習とクラスタ割当てを相互に促進することにより,従来のクラスタリングより優れている。しかし,ほとんどの既存の深層クラスタリング法は,二つの主要な欠点に悩まされている。最初に,ほとんどのクラスタ割当て方法は,単純な距離比較に基づいており,手作業非線形マッピングによって生成された目標分布に大きく依存した。これらの事実は,深いクラスタリング法が到達できる可能性のある性能を大きく制限する。第2に,クラスタリング結果は,各クラスタにおいて誤割り当てられたサンプルによって間違った方向に向けて容易に誘導できる。既存の深層クラスタリング法はそのようなサンプルを識別することができない。これらの問題に取り組むために,自己監督された方法で分類によってクラスタリング性能を強化する新しいモジュラー自己進化クラスタリング(Self-EvoC)フレームワークを構築した。ファジィ理論を用いて,各サンプルの中間クラスタリング結果を評価する確率でサンプルメンバーシップをスコア化した。それに基づいて,最も信頼できる試料を選択し,拡張できる。拡張されたデータを採用して,クラスタリングからのラベルを用いて,オフラインの深いネットワーク分類器を微調整し,ターゲット分布を生成するモデルをもたらした。提案したフレームワークは,サンプル異常値を効率的に識別することができ,自己教師付き分類器の支援により,より良いターゲット分布を生成する。大規模な実験は,自己EvoCが3つのベンチマークデータセット上で最先端の深層クラスタリング法を著しく凌駕することを示した。【JST・京大機械翻訳】
