文献

J-GLOBAL ID：201702267604783306   整理番号：17A0456799

ロバストな部分空間学習と部分空間クラスタリングのためのL2グラフの構築【Powered by NICT】

Constructing the L2-Graph for Robust Subspace Learning and Subspace Clustering

著者 (4件)： Peng Xi (Institute for Infocomm, Research Agency for Science, Technology and Research, Singapore) ,  Yu Zhiding (Department of Electrical and Computer Engineering, Carnegie Mellon University, Pittsburgh, PA, USA) ,  Yi Zhang (College of Computer Science, Sichuan University, Chengdu, China) ,  Tang Huajin (College of Computer Science, Sichuan University, Chengdu, China)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 47  号： 4  ページ： 1053-1066  発行年： 2017年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  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： グラフベース学習のフレームワークの下で,ロバスト部分空間クラスタリングと部分空間学習への鍵は,誤差の影響を除去し,同じ部分空間(すなわち,intrasubspaceデータ点)からのデータ点の間の関係のみを保持する良好な類似性グラフを得ることである。最近の研究は,入力からの誤差を除去するそれらの目的関数にモデリング誤差による良好な性能を達成した。しかし,これらの手法は誤差の構造は以前知らなければならないことを限界に直面している複雑な凸問題を解決しなければならない。本論文では,射影空間(表現)からよりもむしろ入力空間からの誤差の影響を除去する新しい方法を示した。l_1-,l_2-,l_∞,核型ノルムベース線形射影空間はintrasubspace投影優位性の特性を共有することを証明した,すなわち,intrasubspaceデータ点上の係数はintersubspaceデータ点よりも大きかった。この特性に基づいて,スパース類似性グラフ,L2グラフを構築する方法を導入した。部分空間クラスタリングと部分空間学習アルゴリズムは,L2グラフに開発した。部分空間学習,画像クラスタリング,動きセグメンテーションに関する包括的実験を行い,分類/クラスタリング精度,正規化相互情報量,ランニング時間をいくつかの定量的ベンチマークを考察した。結果は,L2グラフは本実験で多くの最新の方法,L1グラフ,低ランク表現(LRR),及び潜在LRRを含む最小二乗回帰,スパース部分空間クラスタリングと局所線形表現よりも優れていることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 正規化 ,  *学習 ,  最小二乗法 ,  モデリング ,  *ロバスト性 ,  線形性 ,  透視図法 ,  類似性 ,  *クラスタ化 ,  学習アルゴリズム ,  目的関数
準シソーラス用語： 射影空間 ,  *部分空間 ,  *部分空間クラスタリング ,  *部分空間学習 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： ロバスト ,  部分空間学習 ,  部分空間クラスタリング ,  グラフ ,  構築