ترجمه مقاله دسته بندی با سطح اطلاعات پارتیشن جانبی - نشریه IEEE

ترجمه مقاله دسته بندی با سطح اطلاعات پارتیشن جانبی - نشریه IEEE
قیمت خرید این محصول
۳۳,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
دسته بندی با سطح اطلاعات پارتیشن جانبی
عنوان انگلیسی
Clustering with Partition Level Side Information
صفحات مقاله فارسی
18
صفحات مقاله انگلیسی
6
سال انتشار
2015
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
5338
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر
گرایش های مرتبط با این مقاله
داده کاوی، مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات و هوش مصنوعی
مجله
کنفرانس بین المللی داده کاوی
دانشگاه
گروه مهندسی برق و کامپیوتر، دانشگاه شمال شرقی، بوستون
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
Ι. مقدمه
II. کار مربوطه
III. فرمولاسیون مسئله
A. اطلاعات سطح جانبی پارتیشن
تعریف 1. اطلاعات سطح جانبی پارتیشن
B. تابع هدف
IV. راه حل
A. بهینه سازی مشابه K متوسط
V. نتایج تجربی
A. راه اندازی تجربی
ابزار
اعتبار سنجی
B. اثربخشی و بازده
C. دسترسی به اطلاعات جانبی با صداها
VI. نتیجه گیری
نمونه چکیده متن اصلی انگلیسی
Abstract

Constrained clustering uses pre-given knowledge to improve the clustering performance. Among existing literature, researchers usually focus on Must-Link and Cannot-Link pairwise constraints. However, pairwise constraints not only disobey the way we make decisions, but also suffer from the vulnerability of noisy constraints and the order of constraints. In light of this, we use partition level side information instead of pairwise constraints to guide the process of clustering. Compared with pairwise constraints, partition level side information keeps the consistency within partial structure and avoids selfcontradictory and the impact of constraints order. Generally speaking, only small part of the data instances are given labels by human workers, which are used to supervise the procedure of clustering. Inspired by the success of ensemble clustering, we aim to find a clustering solution which captures the intrinsic structure from the data itself, and agrees with the partition level side information as much as possible. Then we derive the objective function and equivalently transfer it into a K-meanlike optimization problem. Extensive experiments on several real-world datasets demonstrate the effectiveness and efficiency of our method compared to pairwise constrained clustering and consensus clustering, which verifies the superiority of partition level side information to pairwise constraints. Besides, our method has high robustness to noisy side information.

نمونه چکیده ترجمه متن فارسی
چکیده
خوشه بندی محدود، از دانش از پیش داده شده به منظور بهبود عملکرد خوشه استفاده می کند. در میان آثار موجود، محققان معمولا بر محدودیت جفتی لینک بایستی و لینک ناتوانی تمرکز می کنند. با این حال، محدودیت دو به دویی نه تنها راه انتخابی ما را نقض می کند، بلکه از آسیب پذیری محدودیت پر جنجال و ترتیب محدودیت رنج می برند. با توجه به این، ما از حدفاصل اطلاعات سطح جانبی به جای محدودیت های دو به دوی برای هدایت فرایند دسته بندی استفاده می کنیم. در مقایسه با قیود دودویی، اطلاعات سطح جانبی پارتیشن انسجام ساختار جزئی را حفظ کرده و از تناقض و تاثیر ترتیب محدودیت ها و قیود جلوگیری می کند. به طور کلی، تنها بخش کوچکی از نمونه داده ها توسط نیروی انسانی برچسب گذاری شده است ، که برای نظارت بر روند خوشه بندی استفاده می شود. با الهام از موفقیت اثر خوشه بندی، هدف ما پیدا کردن یک راه حل برای خوشه بندی است که ساختار درونی را از خود داده می گیرد و با اطلاعات سطح جانبی پارتیشن به همان اندازه ممکن ، موافق است. سپس ما تابع هدف و معادل استخراج شده آن را به یک K متوسط مانند مسئله بهینه سازی تبدیل می کنیم. آزمایش های گسترده بر روی چندین مجموعه داده دنیای واقعی ،اثرات و میزان بهره وری از روش ما را در مقایسه با خوشه بندی محدودیت های دو به دویی و خوشه بندی اجماعی نشان می دهد ، که برتری اطلاعات سطح جانبی پارتیشن را نسبت به محدودیت دو به دویی تایید می کند. علاوه بر این، روش ما دارای استحکام بالایی برای اطلاعات جانبی پرهیاهو است.

بدون دیدگاه