効率的な動的クラスタリング:歴史的クラスタ進化からのパターン捕捉【JST・京大機械翻訳】

Gu Binbin; Kargar Saeed; Nawab Faisal

プレプリント

J-GLOBAL ID：202202210578547338 整理番号：22P0297462

効率的な動的クラスタリング:歴史的クラスタ進化からのパターン捕捉【JST・京大機械翻訳】

Efficient Dynamic Clustering: Capturing Patterns from Historical Cluster Evolution

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月01日プレプリントサーバーでの情報更新日： 2022年03月07日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

クラスタリングは,クラスタに固有の類似性に基づく非ラベルオブジェクトをグループ化することを目的とする。それは,異常検出,データベース困難,記録連鎖,その他のような多くのタスクにとって重要である。スクラッチからデータベース中のすべてのオブジェクトをクラスタ化するか,あるいは増分作業負荷を仮定するので,いくつかのクラスタリング法を,高いオーバヘッドを繰り返すバッチアルゴリズムとして取り上げた。実際には,データベースオブジェクトを更新し,追加し,データベースから連続的に除去し,以前の結果を staらした。運転バッチアルゴリズムは,そのようなシナリオにおいて実行不可能であり,それが連続的に実行されるならば,大きなオーバヘッドを招いた。これは,特にモノのインターネット応用におけるもののような高速シナリオの場合である。本論文では,オブジェクトが連続的に更新され,挿入され,削除される高速動的シナリオにおけるクラスタリングの問題に取り組んだ。特に,以前のクラスタリング結果を利用するクラスタリングに対する一般的動的アプローチを提案した。著者らのシステム,動的Cは,既存のバッチアルゴリズムで拡張される機械学習モデルを使用する。バッチアルゴリズムによって作られたクラスタ化決定を観察することによって,動的Cモデル列車を訓練した。訓練の後,動的Cモデルを,正確で速いクラスタ化決定の両方を達成するために,バッチアルゴリズムと協力して使用した。4つの実世界と1つの合成データセットに関する実験結果は,著者らのアプローチが,ベースラインバッチアルゴリズムに同様に正確なクラスタ化結果を達成しながら,最先端の方法と比較してより良い性能を有することを示した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能 , 図形・画像処理一般

, , , ,

前のページに戻る