可扩展的单通多视图集群与张力化的多尺度双部分图的融合图
1School of Computer and Information, Anhui Polytechnic University, Wuhu, Anhui, China.
本研究介绍了一种新的多视图集群方法,即可扩展的单通多视图集群与压缩的多尺度二分位图融合 (SOMVC/TMBGF),用于高效的大规模数据分析. SOMVC/TMBGF通过合并多尺度双部分图表和动态加权数据视图来提高集群准确性.
科学领域:
- 机器学习 机器学习
- 数据挖掘 数据挖掘
- 计算机科学 计算机科学
背景情况:
- 基于的方法对于大规模的多视图集群是常见的,但通常使用单级图形,限制数据表示.
- 现有的算法可能需要后处理,并且缺乏动态视图贡献调整.
研究的目的:
- 开发一种先进的多视图集群技术,以提高大规模数据集的准确性和效率.
- 克服现有方法中单尺度图形和静态视图加权的局限性.
主要方法:
- 拟议的可扩展的一通式多视图集群与压缩式多尺度二分位图融合 (SOMVC/TMBGF).
- 每个视图生成多尺度的双部分图形,并将它们自适应地融合在一起,以创建分区矩阵.
- 采用Tensor Schatten p-norm用于视图特定分区矩阵的张量化融合.
- 集成分区矩阵学习和集群,加权光谱旋转,以提供动态视图.
主要成果:
- 与现有方法相比,SOMVC/TMBGF表现出优越的集群性能.
- 提出的方法在计算效率方面取得了显著的改进.
- 通过利用多个规模的结构信息,有效处理大规模的多视图数据.
结论:
- SOMVC/TMBGF为多视图集群提供了一个可扩展和高效的解决方案.
- 张量化多尺度双部分图形融合方法增强了数据表示和集群准确性.
- 视图贡献的动态调整会导致更强大和更适应的聚类结果.
更多相关视频
06:01Visualization and Quantification of High-Dimensional Cytometry Data using Cytofast and the Upstream Clustering Methods FlowSOM and Cytosplore
Published on: December 12, 2019
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
相关概念视频
Collisions in Multiple Dimensions: Introduction
Collisions in Multiple Dimensions: Problem Solving
A small car of mass 1,200 kg traveling east at 60 km/h collides at an intersection with a truck of mass 3,000 kg traveling due north at 40 km/h. The two vehicles are locked together. What is the...
Scaling
Multicompartment Models: Overview
These models offer a more comprehensive representation of drug behavior in the body than one-compartment models. They accommodate the complexity of drug distribution,...
Extraction: Partition and Distribution Coefficients
For extracting a solute from an aqueous phase into an...
Multi-input and Multi-variable systems
In the absence...
