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。
マルチビュー部分空間クラスタリング(MSC)は,不均一情報を統合して,ビューに隠された固有のクラスタリング構造を明らかにするために,一般的な教師なし方法である。通常,MSC法はグラフ(または親和性行列)融合を用いて共通構造を学習し,さらにグラフベースアプローチをクラスタリングに適用する。進歩にもかかわらず,ほとんどの方法はグラフ学習とクラスタリングの間の接続を確立していない。一方,従来のグラフ融合戦略は,マルチグラフを結合するために粗粒重みを割り当て,局所構造の重要性を無視する。本論文では,多視点部分空間クラスタリング(FGL-MSC)のための細粒グラフ学習フレームワークを提案し,これらの問題に対処した。マルチビュー情報を十分に利用するために,グラフ正則化と局所構造融合パターンを導入することによって,特定のグラフ学習方式を設計した。主な課題は,クラスタリングタスクに適合する学習グラフを生成しながら,細粒融合重みを最適化する方法であり,従って,クラスタリング表現を意味し,競合させる。したがって,反復アルゴリズムを提案して,上記の共同最適化問題を解決して,それは学習グラフ,クラスタ化表現,および融合重みを同時に得た。8つの実世界データセットに関する大規模な実験は,提案フレームワークが最先端の方法に匹敵する性能を有することを示した。提案方法のソースコードは,https://github.com/siriuslay/FGL MSCで利用可能である。【JST・京大機械翻訳】