کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6861267 | 1439243 | 2018 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Self-weighted multi-view clustering with soft capped norm
ترجمه فارسی عنوان
خوشه بندی چند خوشه ای با وزن خود را با نرم شده است
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
خوشه بندی چندگانه، نرم نرم محدود استراتژی خود ارزیابی، فاکتورسازی ماتریس غیر انتزاعی،
ترجمه چکیده
مجموعه داده های دنیای واقعی اغلب شامل نمایندگی ها یا روش های متعددی است که جنبه های متفاوتی از اطلاعات را فراهم می کنند. خوشه بندی چندگانه در تجزیه و تحلیل داده های چند نمایش نقش مهمی ایفا می کند. در یادگیری چند مرحله ای، یک گام کلیدی، تعیین وزن مناسب برای هر دیدگاه با توجه به اهمیت مشاهده است. اکثر کارهای موجود، با معرفی یک پارامتر فوق العاده، وزن را یاد می گیرند که در عمل ناخواسته است. در این مقاله، مدل پیشنهادی ما وزن مطلوب را برای هر نمایش به طور خودکار بدون ارائه یک پارامتر افزودنی به عنوان روش های قبلی انجام می دهد. علاوه بر این، برای مقابله با سر و صدای سطوح مختلف، ما پیشنهاد می کنیم که از "نرمی" هنجار محدود شده استفاده کنیم که مانع از انقباض خروجی ها به عنوان یک مقدار ثابت است و احتمال داده شدن یک نقطه خاص داده را غیر ممکن می سازد. یک الگوریتم به روزرسانی کارآمد برای حل مدل ما طراحی شده و همگرایی آن نیز از لحاظ تئوری تضمین شده است. نتایج تجربی گسترده در چندین مجموعه داده های واقعی نشان می دهد که مدل پیشنهادی ما بهتر از الگوریتم های خوشه بندی چندبعدی پیشرفته است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Real-world data sets are often comprised of multiple representations or modalities which provide different and complementary aspects of information. Multi-view clustering plays an indispensable role in analyzing multi-view data. In multi-view learning, one key step is assigning a reasonable weight to each view according to the view importance. Most existing work learn the weights by introducing a hyperparameter, which is undesired in practice. In this paper, our proposed model learns an optimal weight for each view automatically without introducing an additive parameter as previous methods do. Furthermore, to deal with different level noises and outliers, we propose to use 'soft' capped norm, which caps the residual of outliers as a constant value and provides a probability for certain data point being an outlier. An efficient updating algorithm is designed to solve our model and its convergence is also guaranteed theoretically. Extensive experimental results on several real-world data sets show that our proposed model outperforms state-of-the-art multi-view clustering algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 158, 15 October 2018, Pages 1-8
Journal: Knowledge-Based Systems - Volume 158, 15 October 2018, Pages 1-8
نویسندگان
Shudong Huang, Zhao Kang, Zenglin Xu,