کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6940942 870309 2016 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Clustering with side information: Further efforts to improve efficiency
ترجمه فارسی عنوان
خوشه بندی با اطلاعات جانبی: تلاش های بیشتر برای بهبود کارایی
کلمات کلیدی
ترجمه چکیده
در این مقاله مسائل مربوط به خوشه بندی محدود و انتخاب فعال محدودیت خوشه بندی در یک رویکرد متحد مورد بررسی قرار می گیرد. یک روش خوشه بندی فازی که به طور ویژه برای مقابله با خوشه های غیر کروی و محدودیت های زوج صریح در این مقاله به عنوان یک روش خوشه بندی هسته ای پیشنهاد شده است. روش فعال برای انتخاب محدودیت در روش خوشه بندی هسته ای برای پرس و جو محدودیت های مفید در طول خوشه بندی جاسازی شده است. رویکرد پیشنهادی دارای دو مزیت عمده نسبت به روش های سنتی است. اولا، وابستگی اثربخشی محدودیت ها در الگوریتم خوشه بندی را بوسیله ادغام هر دو دسته بندی و انتخاب محدودیت ها در چارچوب یکنواختی اصل، در نظر می گیرد. دوم، یک روش انتخاب محدودیت در روش خوشه بندی هسته ای بر اساس این واقعیت است که محدودیت ها مفید تر خواهد بود اگر آنها با توجه به وضعیت فعلی خوشه بندی انتخاب شوند. آزمایشات انجام شده در مجموعه داده های مصنوعی و دنیای واقعی اثربخشی روش پیشنهادی را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
خوشه بندی با اطلاعات جانبی: تلاش های بیشتر برای بهبود کارایی
چکیده انگلیسی
This paper examines the issues of constrained clustering and active selection of clustering constraints in a unified approach. A fuzzy clustering method specially crafted to deal with non-spherical clusters and explicit pairwise constraints is proposed in this paper as a core clustering method. An active method for constraints selection is embedded into the core clustering method for querying beneficial constraints during clustering. The proposed approach has two major advantages relative to traditional methods. First, it considers the dependency of constraints effectiveness on the clustering algorithm by unifying both clustering and constraints selection in a uniform, principled framework. Second, a constraints selection method is embedded into the core clustering method based on the fact that constraints will be more useful if they are selected according to the current state of clustering. Experiments conducted on synthetic and real-world datasets show the effectiveness of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 84, 1 December 2016, Pages 252-258
نویسندگان
,