文献

J-GLOBAL ID：202202289349274718   整理番号：22A0772401

部分空間クラスタリングのための半教師つき双直交制約二重グラフ正則化NMF【JST・京大機械翻訳】

Semi-supervised bi-orthogonal constraints dual-graph regularized NMF for subspace clustering

著者 (8件)： Li SongTao (School of Information Science and Engineering, Wuhan University of Science and Technology, Wuhan, People’s Republic of China) ,  Li SongTao (Engineering Research Center for Metallurgical Automation and Measurement Technology, Ministry of Education, Wuhan University of Science and Technology, Wuhan, People’s Republic of China) ,  Li WeiGang (School of Information Science and Engineering, Wuhan University of Science and Technology, Wuhan, People’s Republic of China) ,  Li WeiGang (Engineering Research Center for Metallurgical Automation and Measurement Technology, Ministry of Education, Wuhan University of Science and Technology, Wuhan, People’s Republic of China) ,  Hu JunWei (School of Information Science and Engineering, Wuhan University of Science and Technology, Wuhan, People’s Republic of China) ,  Hu JunWei (Engineering Research Center for Metallurgical Automation and Measurement Technology, Ministry of Education, Wuhan University of Science and Technology, Wuhan, People’s Republic of China) ,  Li Yang (School of Information Science and Engineering, Wuhan University of Science and Technology, Wuhan, People’s Republic of China) ,  Li Yang (Engineering Research Center for Metallurgical Automation and Measurement Technology, Ministry of Education, Wuhan University of Science and Technology, Wuhan, People’s Republic of China)
資料名： Applied Intelligence  (Applied Intelligence)
巻： 52  号： 3  ページ： 3227-3248  発行年： 2022年 
JST資料番号： W0297A  ISSN： 0924-669X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 説明特徴抽出技術としての非負行列因数分解(NMF)は,強力な次元縮小と意味表現能力を持っている。近年,それは,実際の高次元データの次元縮小解析のプロセスにおいて大きな注目を集めている。しかしながら,古典的NMFアルゴリズムは,学習方法に関して教師なし方法である。計算過程において,元のデータにおける空間構造情報はしばしば無視され,部分空間におけるアルゴリズムの貧弱なクラスタ化性能をもたらす。上記の問題を克服するために,本論文では,双直交制約(SDGNMF-BO)を持つ半教師つき二重グラフ正則化NMFと呼ばれる半教師つきNMFアルゴリズムを提案した。このアルゴリズムでは,半教師つきNMF3因子分解が,元のデータのデータ空間と特徴空間の二重グラフモデルに基づいており,それは部分空間におけるアルゴリズムの学習能力を効果的に改善することができ,そして,双直交制約条件を分解過程で追加して,より良い局所表現を達成して,オリジナルのマトリックスと基本ベクトルの間の不整合を著しく減らした。公正な条件の下でアルゴリズムの優位性を証明するために,4つの実際の画像データセットと1つのテキストデータセットの多方向クラスタ化実験を比較し,2つのクラスタ化評価指数を用いて,アルゴリズムが他の比較アルゴリズムより良いことを証明した。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  行列 ,  *グラフ ,  ベクトル ,  特徴抽出 ,  立体構造 ,  クラスタ化 ,  *正則化 ,  *直交性 ,  次元縮小 ,  *制約条件
準シソーラス用語： 因子分解 ,  *部分空間 ,  特徴空間 ,  非負行列因子分解 , 【Automatic Indexing@JST】

著者キーワード (5件)： 非負行列因数分解 ,  半教師つき ,  二重グラフ ,  双直交 ,  部分空間クラスタリング

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)： 部分空間クラスタリング ,  教師 ,  制約 ,  グラフ ,  正則化 ,  NMF