文献

J-GLOBAL ID：202202290175434103   整理番号：22A1086085

離散およびパラメータフリー多重カーネルk平均【JST・京大機械翻訳】

Discrete and Parameter-Free Multiple Kernel k-Means

著者 (5件)： Wang Rong (School of Artificial Intelligence, Optics and Electronics (iOPEN) and the Key Laboratory of Intelligent Interaction and Applications (Ministry of Industry and Information Technology), Northwestern Polytechnical University, Xi’an, Shaanxi, China) ,  Lu Jitao (School of Computer Science, the School of Artificial Intelligence, Optics and Electronics (iOPEN), and the Key Laboratory of Intelligent Interaction and Applications (Ministry of Industry and Information Technology), Northwestern Polytechnical University, Xi’an, Shaanxi, China) ,  Lu Yihang (School of Computer Science, the School of Artificial Intelligence, Optics and Electronics (iOPEN), and the Key Laboratory of Intelligent Interaction and Applications (Ministry of Industry and Information Technology), Northwestern Polytechnical University, Xi’an, Shaanxi, China) ,  Nie Feiping (School of Computer Science, the School of Artificial Intelligence, Optics and Electronics (iOPEN), and the Key Laboratory of Intelligent Interaction and Applications (Ministry of Industry and Information Technology), Northwestern Polytechnical University, Xi’an, Shaanxi, China) ,  Li Xuelong (School of Artificial Intelligence, Optics and Electronics (iOPEN) and the Key Laboratory of Intelligent Interaction and Applications (Ministry of Industry and Information Technology), Northwestern Polytechnical University, Xi’an, Shaanxi, China)
資料名： IEEE Transactions on Image Processing  (IEEE Transactions on Image Processing)
巻： 31  ページ： 2796-2808  発行年： 2022年 
JST資料番号： W0364A  ISSN： 1057-7149  CODEN： IIPRE4  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： 多重カーネルk-平均(MKKM)とその変種は,カーネルk-平均(KKM)よりも優れた性能を達成し,異なる情報源からの相補的情報を利用する。しかし,ほとんどの以前の研究の最適化手順は,連続緩和行列を学習し,余分な離散化手順によって離散的なものを得る2つの段階から成る。このような2段階戦略はミスマッチ問題と厳しい情報損失を生じさせる。より悪くても,ほとんどの既存のMKKM法は,事前指定カーネル間の相関を見落としており,これは,相互に冗長なカーネルの融合と情報源の多様性に対する悪い影響をもたらし,最終的に不満足な結果をもたらす。これらの問題に取り組むために,代替最適化法によって解かれた新しい離散および無パラメータ多重カーネルk-平均(DPMKKM)モデルを詳述し,その後の離散化手順なしでクラスタ割当て結果を直接得ることができた。さらに,DPMKKMは正則化項を陰的に導入することによりカーネル間の相関を測定でき,冗長性を低減し,多様性を改善することによりカーネル融合を強化できる。注目すべきことに,最適化アルゴリズムの時間複雑性は,座標降下技法のマスタ利用を通して首尾よく低減され,それはより高いアルゴリズム効率とより広い応用に寄与する。さらに,著者らの提案モデルは,実用的応用において実現可能になる,不応性ハイパーパラメータ調整を避けるパラメータフリーである。最後に,多数の実世界データセットに関して実施した広範な実験は,提案したDPMKKMモデルの有効性と優位性を示した。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： アルゴリズム ,  最適化 ,  冗長性 ,  情報源 ,  最適化手法 ,  *多重化 ,  クラスタ ,  緩和現象 ,  正則化 ,  有効性
準シソーラス用語： 離散化 ,  複雑性 ,  データ損失 ,  ハイパーパラメータ , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： パラメータ ,  多重 ,  カーネル ,  平均