主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
张远鹏,周洁,邓赵红,钟富礼,蒋亦樟,杭文龙,王士同.代表点一致性约束的多视角模糊聚类算法.软件学报,2019,30(2):282-301
代表点一致性约束的多视角模糊聚类算法
Multi-view Fuzzy Clustering Approach Based on Medoid Invariant Constraint
投稿时间:2017-05-03  修订日期:2018-05-16
DOI:10.13328/j.cnki.jos.005625
中文关键词:  多视角聚类  多代表点  代表点一致性  模糊聚类  协同学习  MRI分割
英文关键词:multi-view clustering  multi-medoid  medoid invariant  fuzzy clustering  collaborative learning  MRI segmentation
基金项目:国家自然科学基金(81701793,61772239,61702225,61572236,61711540041);南通市科技计划(MS12017016-2)
作者单位E-mail
张远鹏 江南大学 数字媒体学院, 江苏 无锡 214122
南通大学 医学信息学系, 江苏 南通 226019 
155297131@qq.com 
周洁 江南大学 数字媒体学院, 江苏 无锡 214122  
邓赵红 江南大学 数字媒体学院, 江苏 无锡 214122  
钟富礼 Department of Computing, Hong Kong Polytechnic University, Hong Kong 999077, China  
蒋亦樟 江南大学 数字媒体学院, 江苏 无锡 214122  
杭文龙 江南大学 数字媒体学院, 江苏 无锡 214122  
王士同 江南大学 数字媒体学院, 江苏 无锡 214122
Department of Computing, Hong Kong Polytechnic University, Hong Kong 999077, China 
 
摘要点击次数: 1544
全文下载次数: 961
中文摘要:
      多视角数据的涌现对传统单视角聚类算法提出了挑战.利用单视角聚类算法独立地对每个视角进行划分,再通过集成机制获取全局划分的方法,人为地割裂了视角之间的内在联系,难以获得理想的聚类效果.针对此问题,提出了一个多视角聚类模型.该模型不仅考虑了视角内的划分质量,还兼顾了视角间的协同学习机制.对于视角内的划分,为了捕捉更为准确的簇内结构信息,采用多代表点的簇结构表示策略;对于视角间的协同学习机制,假设簇中代表点在不同视角下,其代表性保持.因此,在该模型基础上提出了基于代表点一致性约束的多视角模糊聚类算法(multi-view fuzzy clustering with a medoid invariant constraint,简称MFCMddI).该算法通过最大化两两相邻视角下代表点权重系数的乘积之和来保证代表点一致性.MFCMddI的目标函数可通过引入拉格朗日乘子和KKT条件进行优化.在人工数据集以及真实数据集上的实验结果均表明,该算法相对于所引入的对比算法而言具有一定的优势.
英文摘要:
      As for multi-view datasets, direct integration of partition results of all views obtained by traditional single-view clustering approaches does not improve and even deteriorate the clustering performance since that it does not consider the inner relationship across views. To achieve good clustering performance for multi-view datasets, a multi-view clustering model is proposed, which not only considers the within-view clustering quality but also takes the cross-view collaborative learning into account. With respect to within-view partition, to capture more detailed information of cluster structures, a multi-medoid representative strategy is adopted; as for cross-view collaborative learning, it is assumed that a medoid of a cluster in one view is also a medoid of that cluster in another view. Based on the multi-view clustering model, a multi-view fuzzy clustering approach with a medoid invariant constraint (MFCMddI) is proposed in which the invariantan arbitrary medoid across each pair-wise views is guaranteed by maximizing the product of the corresponding prototype weightsin two views. The objective function of MFCMddI can be optimized by applying the Lagrangian multiplier method and KKT conditions. Extensive experiments on synthetic and real-life datasets show that MFCMddI outperforms the existing state-of-the-art multiview approaches in most cases.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利