کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947383 1439576 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-task clustering through instances transfer
ترجمه فارسی عنوان
خوشه بندی چند کاره از طریق انتقال موارد
کلمات کلیدی
خوشه چند کاره، انتقال اشیاء، نزدیکترین همسایگی مشترک،
ترجمه چکیده
خوشه بندی موضوع مهم در یادگیری ماشین و داده کاوی است. همانطور که بسیاری از وظایف مرتبط در دنیای واقعی وجود دارد، خوشه بندی چند کاره که عملکرد خوشه بندی هر کار را با انتقال دانش در مورد وظایف مرتبط بهبود می بخشد، اخیرا توجه بیشتری را به خود جلب می کند. به طور کلی، انتقال دانش می تواند به روش های مختلف انجام شود. با این وجود، علاوه بر انتقال دانش به نمایندگی های ویژگی، دیگر روش های انتقال دانش به ندرت برای خوشه بندی چند کاره اتخاذ شده است. در این مقاله، ما یک الگوریتم خوشه بندی چند کاره عمومی را با انتقال دانش نمونه ها پیشنهاد می کنیم. الگوریتم ما فاصله بین نمونه ها را در وظایف مختلف با یادگیری یک زیرمجموعه مجددا جابجا می کند، سپس نزدیکترین همسایگان را برای هر نمونه از وظایف دیگر در زیر فضای مشترک آموخته شده به عنوان داده های کمکی برای کمک به فرایند خوشه بندی هر یک از کارهای فردی، انتخاب می کند. آزمایشات بر روی مجموعه داده های واقعی در استخراج متن و استخراج تصویر نشان می دهد که الگوریتم پیشنهادی ما از روش های خوشه بندی سنتی تک تک کار و روش های خوشه بندی چند کاره متقاطع موجود برتر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
خوشه بندی چند کاره از طریق انتقال موارد
چکیده انگلیسی
Clustering is an essential issue in machine learning and data mining. As there are many related tasks in the real world, multi-task clustering, which improves the clustering performance of each task by transferring knowledge across the related tasks, receives increasing attention recently. Generally knowledge transfer can be accomplished in different ways. Nevertheless, besides transferring knowledge of feature representations, other knowledge transfer ways have seldom been adopted for multi-task clustering. In this paper, we propose a general multi-task clustering algorithm by transferring knowledge of instances. Our algorithm reweights the distance between samples in different tasks by learning a shared subspace, then selects the nearest neighbors for each sample from the other tasks in the learned shared subspace as the auxiliary data to aid the clustering process of each individual task. Experiments on real data sets in text mining and image mining demonstrate that our proposed algorithm outperforms the traditional single-task clustering methods and existing cross-domain multi-task clustering methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 251, 16 August 2017, Pages 145-155
نویسندگان
, , , ,