کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6865681 | 678082 | 2015 | 6 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Highlighting data clusters by graph embedding
ترجمه فارسی عنوان
برجسته کردن خوشه های داده توسط تعبیه گراف
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
خوشه بندی تعبیه گراف، برنامه نویسی نیمه قطعی،
ترجمه چکیده
ما پیشنهاد یک روش جدید، تعبیه مدولار، برای جاسازی داده ها یا نمودار های با ابعاد در یک فضای کم ابعادی. مرکزی برای کار ما یک مدل است که ارتباط دو نقطه داده را با مقدار مدولار دوبعدی آنها اندازه گیری می کند. مقدار بزرگتر نشان می دهد شانس بیشتری برای قرار دادن آنها در نزدیکی یکدیگر و برعکس. تابع هدف مدل، یک فرمول ساده برای به حداقل رساندن مجموع فاصله های مربع بین نقاط داده شده با مقادیر دوگانه مدولار دارد. به طور طبیعی به عنوان یک برنامه نیمه قطعی آرام است که ماتریس کرنل پایین را با تنها یک محدودیت خطی یاد می گیرد که می تواند به وسیله حل کننده های بهینه سازی ریاضی مدرن حل شود. در مقایسه با الگوریتم های جاسازی گراف های سنتی، روش پیشنهاد شده قادر به برجسته ساختارهای خوشه ای ذاتی در داده ها و نمودار های با ابعاد بزرگ است که یک ابزار نوید دهنده در برنامه های تجزیه و تحلیل داده ها است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
We propose a novel method, modularity embedding, to embed high-dimensional data or graphs in a low-dimensional space. Central to our work is a model that quantifies the relationship of two data points by their pairwise modular value. A larger value indicates a higher chance that they should be placed near to each other, and vice versa. The objective function of the model has a simple formulation of minimizing the sum of squared distances between data points weighted by pairwise modular values. It is naturally relaxed as a semi-definite program that learns a low-rank kernel matrix with only one linear constraint, which can be solved efficiently by modern mathematical optimization solvers. Compared with traditional graph embedding algorithms, the proposed method is shown to be able to highlight cluster structures inherent in high-dimensional data and graphs, which provides a promising tool in data analysis applications.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 165, 1 October 2015, Pages 75-80
Journal: Neurocomputing - Volume 165, 1 October 2015, Pages 75-80
نویسندگان
Wenye Li,