文献

J-GLOBAL ID：202202228162581260   整理番号：22A0025662

不完全マルチビュークラスタリングのための適応部分グラフ学習と融合【JST・京大機械翻訳】

Adaptive partial graph learning and fusion for incomplete multi-view clustering

著者 (4件)： Zheng Xiao (School of Computer Science, National University of Defense Technology, Changsha, China) ,  Liu Xinwang (School of Computer Science, National University of Defense Technology, Changsha, China) ,  Chen Jiajia (Department of Pharmacy, The Affiliated Huai’an Hospital of Xuzhou Medical University, The Second People’s Hospital of Huai’an, Huai’an, China) ,  Zhu En (School of Computer Science, National University of Defense Technology, Changsha, China)
資料名： International Journal of Intelligent Systems  (International Journal of Intelligent Systems)
巻： 37  号： 1  ページ： 991-1009  発行年： 2022年 
JST資料番号： T0454A  ISSN： 0884-8173  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： 既存のマルチビュークラスタリング法の大部分は,データの異なる特徴ビューが完全に観察されると仮定する。しかし,データ特徴の一部だけが多くの実際的応用で得ることができる。不完全な特徴ビューの存在は,従来のマルチビュークラスタリング法の性能を大きく妨げる。最近提案された不完全多視点クラスタリング法は,欠測ビューに隠された貴重な情報を無視しながら,利用可能な特徴ビューから共通表現またはコンセンサス親和性類似性グラフを直接学習することに焦点を合わせている。本研究では,適応部分グラフ学習と融合(APGLF)による新しい不完全マルチビュークラスタリング法を提示し,これは,ビュー内とクロスビューの両方の局所データ構造を捉えることができる。具体的には,各視点の利用可能なデータを用いて,対応するビュー固有部分グラフを学習し,その中で,ビュー内局所構造を十分に保存できる。次に,異なるビューに対するコンセンサス完全グラフを学習するためのクロスビューグラフ融合項を設計し,不完全ビューから学習されたビュー固有部分グラフに隠された相補的情報を利用した。さらに,元のデータの最適クラスタ構造をより良く回復するために,融合グラフのグラフラプラシアン行列にランク制約を加えた。したがって,APGLFは,統一フレームワークに回復するビュー部分グラフ学習,クロスビュー部分グラフ融合およびクラスタ構造を統合した。5つの不完全なマルチビューデータセットに関する実験を行い,8つの最先端の方法と比較したとき,APGLFの有効性を検証した。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  データ構造 ,  *クラスタ化 ,  *部分グラフ ,  親和性 ,  完全グラフ ,  類似性 ,  有効性
準シソーラス用語： 局所構造 ,  *マルチビュー ,  クラスター構造 ,  クラスタリング法 ,  グラフラプラシアン , 【Automatic Indexing@JST】

著者キーワード (3件)： クラスタリング ,  不完全データクラスタリング ,  多視点クラスタリング

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 (6件)： マルチビュー ,  クラスタリング ,  適応 ,  部分グラフ ,  学習 ,  融合