文献

J-GLOBAL ID：202202220576138697   整理番号：22A0398297

混合モデルによる深層生成モデルによるクラスタリング解析【JST・京大機械翻訳】

Clustering Analysis via Deep Generative Models With Mixture Models

著者 (3件)： Yang Lin (Department of Computer Science and Technology, Huaqiao University, Xiamen, China) ,  Fan Wentao (Department of Computer Science and Technology, Huaqiao University, Xiamen, China) ,  Bouguila Nizar (Concordia Institute for Information Systems Engineering (CIISE), Concordia University, Montreal, QC, Canada)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 33  号： 1  ページ： 340-350  発行年： 2022年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： クラスタリングは,パターン認識,データマイニング,機械学習のような多くの分野で頻繁に発生する基本的な問題である。過去において様々なクラスタリングアルゴリズムが開発されているが,浅い構造を持つ従来のクラスタリングアルゴリズムは,潜在空間における複雑なデータ特徴の相互依存性を掘削できない。最近,自動エンコーダ(AE),変分AE(VAE),および生成敵対ネットワーク(GAN)のような深層生成モデルは,元のデータから有望な潜在表現を学習する能力のおかげで,多くの教師なしアプリケーションにおいて顕著な成功を達成した。本研究では,まず,Gauss混合による勾配ペナルティ(WGAN-GP)とVAEの両方を用いたWasserstein GANに基づく新しいクラスタリング手法を提案した。WGAN-GPをVAEと組み合わせることにより,WGAN-GPの発生器を,VAEの確率的復号器からサンプルを描くことにより定式化した。さらに,異常値がデータで遭遇するとき,よりロバストなクラスタリングと生成性能を提供するために,提案した深層生成モデルの変種を,以前にStudentのt混合物に基づいて開発した。著者らの深層生成モデルの有効性を,クラスタ分析とサンプル生成の両方に関する実験により検証した。深層生成モデルに基づく他の最先端のクラスタリング手法との比較を通して,提案方法は,モデルのより安定した訓練を提供して,クラスタ化の精度を改善し,現実的サンプルを作り出すことができる。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： パターン認識 ,  変分法 ,  ネットワーク ,  *クラスタ化 ,  符号器 ,  応用プログラム ,  異常値 ,  定式化 ,  ペナルティ ,  ロバスト性 ,  機械学習 ,  データマイニング
準シソーラス用語： *混合モデル ,  *生成モデル ,  クラスタリングアルゴリズム , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 混合モデル ,  深層 ,  生成モデル ,  クラスタリング ,  解析