کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4948349 | 1439611 | 2016 | 22 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A novel multi-view clustering method via low-rank and matrix-induced regularization
ترجمه فارسی عنوان
یک روش خوشه بندی چندبعدی جدید از طریق تنظیم مقادیر ناخواسته و ماتریس
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
خوشه بندی چندگانه، خوشه ناپیوسته، نیرومندی، تنوع تصحیح ناشی از ماتریکس،
ترجمه چکیده
الگوریتم خوشه بندی چندگانه چندین دهه گذشته عملکرد قابل توجهی در برنامه های مختلف نشان داده است. با این حال، اکثر آنها به طور صحیح صدا و ارتباط را در میان نظرات مختلف به حساب نمی آورند، که ممکن است عملکرد خوشه بندی را کاهش دهد. در این مقاله، ما روش جدید خوشه بندی چندبعدی را برای حل این مسائل پیشنهاد می دهیم. به طور خاص، ما یک ماتریس همبستگی پایین و یک ماتریس خطای ضعیف از هر ماتریس مشابهی که مربوط به هر دید است، ایجاد می کنیم. علاوه بر این، یک اصطلاح تصحیح ناشی از ماتریس برای کاهش بار اضافی و افزایش تنوع در دیدگاه های مختلف گنجانده شده است. الگوریتم چند برابر کننده لاگرانژی افزوده شده برای حل مسئله بهینه سازی حاصل شده است. آزمایش های جامع برای بررسی تأثیر الگوریتم پیشنهاد شده انجام می شود. نتایج نشان می دهد که الگوریتم ما چندین حالت پیشرفته را در هر دو مجموعه داده های مصنوعی و معیار مقایسه می کند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Multi-view clustering algorithms have shown promising performance in various applications over the last few decades. Most of them, however, do not adequately take noises and correlation among multiple views into account, which may degrade the clustering performance. In this paper, we propose a novel multi-view clustering method to address these issues. In specific, we construct a low-rank consensus matrix and a sparse error matrix from each similarity matrix corresponding to each view. Furthermore, a matrix-induced regularization term is incorporated to reduce the redundancy and enhance the diversity among different views. The augmented Lagrangian multiplier algorithm is adopted to solve the resultant optimization problem. Comprehensive experiments are conducted to verify the effectiveness of the proposed algorithm. Results demonstrate that our algorithm outperforms several state-of-the-art ones on both synthetic and benchmark data sets.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 216, 5 December 2016, Pages 342-350
Journal: Neurocomputing - Volume 216, 5 December 2016, Pages 342-350
نویسندگان
Yang Zhao, Yong Dou, Xinwang Liu, Teng Li,