کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6939262 | 1449970 | 2018 | 27 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Feature co-shrinking for co-clustering
ترجمه فارسی عنوان
ویژگی کم همکاری برای خوشه بندی مشترک
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
همکاری خوشه ای، سه بعدی سازی ماتریس غیر منفی، کمربند مشترک، انتخاب انتخاب مشترک،
ترجمه چکیده
بسیاری از برنامه های دنیای واقعی نیاز به انتخاب ویژگی های چند طرفه دارند تا انتخاب ویژگی یک طرفه. انتخاب ویژگی چند طرفه در مقایسه با انتخاب یک طرفه به دلیل حضور بین همبستگی بین ویژگی های چند راهه، چالش برانگیز است. برای مقابله با این چالش، ما یک مدل سه بعدی فاکتور ناقص ماتریس جدید ارائه می دهیم که براساس تنظیم مجدد همبستگی به منظور تسهیل کاهش قابلیت مشترک برای همکاری خوشه ای ارائه می شود. ایده اصلی این است که تعامل بین ویژگی های چند طرفه را یاد بگیریم و با کم کردن پارامترهای مدل، کمبود موارد غیر مرتبط را یاد بگیریم. هدف این است که به طور همزمان عملکرد تضعیف را برای سه بعدی تقسیم بندی ماتریس به حداقل برسانیم و تنظیم مجدد همدردی بر روی مدل تحمیل شود. علاوه بر این، ما الگوریتم تضمین کارآمد و همگرا را برای حل مشکل بهینه سازی غیر صاف، که به صورت یک بار تکرار به کار می رود، توسعه می دهیم. نتایج تجربی در مجموعه داده های مختلف اثربخشی رویکرد پیشنهادی را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Many real-world applications require multi-way feature selection rather than single-way feature selection. Multi-way feature selection is more challenging compared to single-way feature selection due to the presence of inter-correlation among the multi-way features. To address this challenge, we propose a novel non-negative matrix tri-factorization model based on co-sparsity regularization to facilitate feature co-shrinking for co-clustering. The basic idea is to learn the inter-correlation among the multi-way features while shrinking the irrelevant ones by encouraging the co-sparsity of the model parameters. The objective is to simultaneously minimize the loss function for the matrix tri-factorization, and the co-sparsity regularization imposed on the model. Furthermore, we develop an efficient and convergence-guaranteed algorithm to solve the non-smooth optimization problem, which works in an iteratively update fashion. The experimental results on various data sets demonstrate the effectiveness of the proposed approach.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 77, May 2018, Pages 12-19
Journal: Pattern Recognition - Volume 77, May 2018, Pages 12-19
نویسندگان
Qi Tan, Pei Yang, Jingrui He,