کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6862104 1439263 2017 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Robust co-clustering via dual local learning and high-order matrix factorization
ترجمه فارسی عنوان
همکاری خوشه ای قوی با یادگیری محلی دوگانه و تقسیم بندی ماتریس بالا مرتبه
کلمات کلیدی
ترجمه چکیده
همکاری خوشه ای به طور همزمان گروه بندی ویژگی ها و نمونه ها است و در زمینه داده کاوی و یادگیری ماشین، به ویژه در دسته بندی متن و بیان ژن متمرکز شده است. در این مقاله، دو روش الگوریتم همکاری مشترک موثر برای بهره برداری از مزیت های مشترک یادگیری محلی و تقسیم بندی ماتریس ارائه شده است. اول، مسئله همکاری خوشه ای به عنوان یک فرم سه بعدی فیزیکی ماتریسی است که در آن، یادگیری ساختار محلی و محدودیت های متعامدی برای خوشه بندی شاخص ها را در بر می گیرد. با استفاده از تقسیم بندی ماتریس بالا مرتب، یک الگوریتم موثر برای مشکلات همکاری خوشه ای پیشنهاد شده است و همگرایی آن ثابت شده است. دوم، مسائل متقارن هم خوشه ای متقارن مورد مطالعه قرار می گیرند، جایی که ماتریس وابستگی نمونه به عنوان ماتریس ورودی عمل می کند. برای تجزیه و تحلیل یک الگوریتم همگرا مؤثر برای این مشکل، مقادیر ماتریس مشابه با مرتبه بالا استفاده می شود. در نهایت، دو الگوریتم پیشنهادی در هشت مجموعه داده موجود در دنیای واقعی از مخزن یادگیری ماشین معتبر معتبر هستند. آزمایش های گسترده نشان می دهد که الگوریتم های پیشنهادی به دست آوردن عملکرد رقابتی در مقایسه با روش های همکاری جامع موجود در حال حاضر در تمام مجموعه داده های آزمایش شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
همکاری خوشه ای قوی با یادگیری محلی دوگانه و تقسیم بندی ماتریس بالا مرتبه
چکیده انگلیسی
Co-clustering is to group features and samples simultaneously and has received increasing attention in data mining and machine learning, particularly in text document categorization and gene expression. In this paper, two effective co-clustering algorithms are proposed to exploit the joint advantages of local learning and matrix factorization. First, the co-clustering problem is formulated as a form of matrix tri-factorization which embeds local structure learning and orthogonality constraints for clustering indicators. Using high-order matrix factorization, an effective algorithm is proposed for co-clustering problems and its convergence is proved. Second, symmetric co-clustering problems are studied, where the sample affinity matrix serves as the input matrix. Analogous high-order matrix factorization is used to develop an effective convergent algorithm for that problem. Finally, the two proposed algorithms are validated in eight publicly available real-world datasets from machine learning repository. Extensive experiments demonstrate that the proposed algorithms achieve competitive performance over existing state-of-the-art co-clustering methods in all tested datasets.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 138, 15 December 2017, Pages 176-187
نویسندگان
, ,