کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6940868 870309 2016 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Local linear neighbor reconstruction for multi-view data
ترجمه فارسی عنوان
بازسازی همسایگی خطی محلی برای داده های چند نمایش
کلمات کلیدی
شباهت چندگانه، ساختار مشابهی، همسایه خطی محلی،
ترجمه چکیده
تجزیه و تحلیل داده های گرافیکی مبتنی بر چندین دیدگاه در دهه گذشته تبدیل به موضوع داغ شده است و ماتریس شباهت چند نمایشی برای چنین وظایفی اساسی است. روشهای ساخت ماتریس تشابه چندبعدی موجود نمیتواند به طور همزمان داده های هندسی محلی را در فضای داده اصلی از چندین دیدگاه یاد بگیرند. با توجه به این واقعیت که ماتریس شباهت مناسب با شباهت بین درونی کلاس بلوک است، منطقی تر است که ماتریس شباهت را با استفاده از اطلاعات هندسی محلی در فضای داده اصلی چندگانه یاد بگیریم. در این مقاله، ما پیشنهاد می کنیم ماتریس تشابه یکپارچه را با استفاده از همسایگان خطی محلی در دیدگاه های مختلف ایجاد کنیم. در هر دیدگاه، ماتریس شباهت را می توان با وزن همسایگان هر نقطه داده در فضای اصلی بازسازی کرد. در دیدگاه های چندگانه، ما به دنبال یک ماتریس یکپارچه متحد می شویم که متشکل از ماتریس شباهت در هر دیدگاه است. ماتریس تشابه یکپارچه را می توان برای خوشه بندی طیفی، انتشار برچسب و دیگر الگوریتم های یادگیری مبتنی بر گراف استفاده کرد. نتایج تجربی نشان می دهد که الگوریتم های خوشه بندی طیفی و الگوریتم انتشار برچسب با استفاده از ماتریس شباهت یکپارچه بیش از کسانی است که با استفاده از دیگر ماتریس های شباهت چندمتغیره، از الگوریتم های خوشه بندی طیفی چند نفره معمولی و الگوریتم های انتشار نمونه ای چندبعدی معمول استفاده می کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Graph based multi-view data analysis has become a hot topic in the past decade, and multi-view similarity matrix is fundamental for such tasks. Existing multi-view similarity matrix construction methods cannot learn local geometrical information in the original data space from multiple views simultaneously. Considering the fact that an appropriate similarity matrix is block-wise with intra-class similarity, it is more reasonable to learn a similarity matrix by using local geometrical information in multiple original data space. In this paper, we propose to construct a unified similarity matrix by using local linear neighbors in multiple views. In each view, the similarity matrix can be reconstructed with the weights of the neighbors of each data point in the original space. In multiple views, we seek for a unified similarity matrix which consists of the similarity matrix in each view. The unified similarity matrix can be used for spectral clustering, label propagation and other graph based learning algorithms. Experimental results show that spectral clustering and label propagation algorithms using the unified similarity matrix outperform those using other multi-view similarity matrices, they also outperform typical multi-view spectral clustering algorithms and typical multi-view label propagation algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 84, 1 December 2016, Pages 56-62
نویسندگان
, , , , ,