文献

J-GLOBAL ID：202202233321446830   整理番号：22A0788975

幾何学的構造保存による一般化クラスタリングとマルチ多様体学習【JST・京大機械翻訳】

Generalized Clustering and Multi-Manifold Learning with Geometric Structure Preservation

著者 (6件)： Wu Lirong (Zhejiang University) ,  Liu Zicheng (Westlake University) ,  Xia Jun (Westlake University) ,  Zang Zelin (Westlake University) ,  Li Siyuan (Westlake University) ,  Li Stan Z. (Westlake University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： WACV  ページ： 1668-1676  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 多様体ベースのクラスタリングは一般的な研究題目になったが,著者らは,1つの重要因子がこれらの作業によって省略され,すなわち,定義されたクラスタ化損失が潜在空間の局所的および全体的構造を崩壊させるかもしれないことを観察する。本論文では,一般化データに対する幾何学的構造保存,即ち,2D画像データに制限されない,および音声,テキストおよび生物学ドメインにおける広範囲の応用を有する,新しい一般化クラスタリングおよびマルチ多様体学習(GCML)フレームワークを提案した。提案フレームワークでは,クラスタリング損失で誘導される潜在空間で多様体クラスタリングを行う。クラスタリング指向損失が潜在空間の幾何学的構造を劣化させるという問題を克服するために,イントラ多様体構造を局所的に保存し,また多様体間構造のランキング損失を大域的に保存するために,等尺性損失を提案した。広範な実験結果は,GCMLが定性的可視化と定量的メトリックスに関して,対応物に対して優れた性能を示し,幾何学的構造保存の有効性を実証した。コードはhttps://github.com/LirongWu/GCMLで利用できる。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： *多様体 ,  可視化 ,  *クラスタ化 ,  二次元 ,  等級づけ ,  有効性
準シソーラス用語： 画像データ ,  メトリックス ,  *多様体学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 幾何学 ,  保存 ,  一般化 ,  クラスタリング ,  マルチ ,  多様体学習