IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 集成聚类之Enhanced Ensemble Clustering via Fast Propagation of Cluster-Wise Similarities论文大纲整理及其翻译 -> 正文阅读

[人工智能]集成聚类之Enhanced Ensemble Clustering via Fast Propagation of Cluster-Wise Similarities论文大纲整理及其翻译

前述

  • 本文是2021年发表在 IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS:SYSTEMS上的一篇文章。
  • 论文链接请戳这里

论文贡献

  • 一种新的similarity衡量方式,通过从每个聚类结点开始随机游走,从而捕捉更高级别的ensemble information。
  • 提出了一种ECA矩阵,这种矩阵同时反应了对象的共生关系和聚类的结构信息。
  • 提出了两种一致性函数(共识函数)用于对得到的ECA矩阵进行聚类。

Notation

  • X = ( x 1 , x 2 , . . . x N ) X=(x_1,x_2,...x_N) X=(x1?,x2?,...xN?) :样本数据集。
  • Π = { π 1 , . . . π M } Π=\{\pi^1,...\pi^M\} Π={π1,...πM}:表示M个基聚类器, π ? \pi^* π?表示集成聚类的结果。
  • π m = { C 1 m , C 2 m , . . . , C n m m } , C j m \pi^m=\{C^m_1,C^m_2,...,C^m_{n^m}\},C^m_j πm={C1m?,C2m?,...,Cnmm?},Cjm?代表第m个基聚类器中的第j个簇。
  • n m n^m nm代表第m个基聚类器中的簇个数, N c = ∑ m = 1 M n m N_c=\sum^M_{m=1}n^m Nc?=m=1M?nm代表所有簇的个数。

Propagation of cluster-wise similarities

这部分用于阐明如何进行随机游走,以及产生一个新的cluster-wise similarity matrix(该矩阵并不是ECA矩阵)。具体而言,分为以下两个步骤。

  • 1)构造图G(V,E),其中V代表所有的簇的集合,边集 E = { e i j = J a c c a r d ( C i , C j ) ∣ 0 ? i , j ? N c } E=\{e_{ij}=Jaccard(C_i,C_j)|0\leqslant i,j\leqslant N^c\} E={eij?=Jaccard(Ci?,Cj?)0?i,j?Nc}这是initial similarity graph。关于Jaccard相关系数可以点击这里。
  • 2)加入multiscale信息,具体的方法为首先构造一个概率转移矩阵,再通过概率转移矩阵构造一个新的相似度矩阵。
    ??????2.1)构建单步概率转移矩阵
    ????????????????????????????在这里插入图片描述
    ??????2.2)多步概率转移矩阵
    ??????????????????????????在这里插入图片描述
  • 从节点 C i C_i Ci?开始进行t步的随机游走(random walk),定义符号 P i : ( 1 : t ) = { P i : ( 1 ) , P i : ( 2 ) , . . . , P i : ( t ) } P^{(1:t)}_{i:}=\{P^{(1)}_{i:},P^{(2)}_{i:},...,P^{(t)}_{i:}\} Pi:(1:t)?={Pi:(1)?,Pi:(2)?,...,Pi:(t)?}代表随机游走的轨迹,其中 P i : ( t ) = { P i 1 ( t ) , P i 2 ( t ) , . . . , P i N ( t ) } P^{(t)}_{i:}=\{P^{(t)}_{i1},P^{(t)}_{i2},...,P^{(t)}_{iN}\} Pi:(t)?={Pi1(t)?,Pi2(t)?,...,PiN(t)?}
  • 新的相似度矩阵 Z = { z i j } N c ? N c Z=\{z_{ij}\}_{N_c*N_c} Z={zij?}Nc??Nc??,其中 z i j = S i m ( P i : ( 1 : t ) , P j : ( 1 : t ) ) z_{ij}=Sim(P^{(1:t)}_{i:},P^{(1:t)}_{j:}) zij?=Sim(Pi:(1:t)?,Pj:(1:t)?), S i m ( ? , ? ) Sim(·,·) Sim(?,?)是某种相似度衡量方式。文章采用的是余弦相似度。

ECA(Enhanced co-association matrix)矩阵构建

  • 得到相似度矩阵Z以后,继续将其(簇级别)映射至对象级别。
  • 首先,对于每一个基聚类器,构建一个矩阵 A m A^m Am,这个矩阵描述了每一个簇中包含有的样本。再根据 A m A^m Am构建共关联矩阵 A A A。具体如图下图所示。
    ???????????????在这里插入图片描述
  • 根据两个相似度矩阵 Z Z Z A A A,得到新的ECA矩阵,这个矩阵不仅考虑了co-coccurrence,还考虑了multiscale cluster-wise similarity。
    ???????????????在这里插入图片描述

两种共识函数(consensus function)

在得到了上述的ECA矩阵以后,我们可以对其进行任意方法的聚类,文章中提供了两种方法。分别为:

  • 基于层次聚类(hierarchical clustering)的共识函数——使用average-link对得到的ECA进行聚类。
  • 基于元聚类(meta-clustering)的的共识函数——这个和CBGF里面用到的方法一样,但是这篇文章里把他称为ECPCS-MC。

实验

  • 待补充
  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-18 12:42:30  更:2021-08-18 12:42:53 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/1 12:28:01-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码