المفاهيم الأساسية
다중 뷰 데이터에서 불확실성과 부정확성을 특성화할 수 있는 다중 뷰 증거 c-평균 클러스터링 방법을 제안한다.
الملخص
이 논문은 다중 뷰 데이터에서 불확실성과 부정확성을 특성화하는 방법을 다룹니다.
기존 다중 뷰 클러스터링 방법은 각 객체를 특정 클러스터에만 할당할 수 있어 중첩 영역의 부정확성을 표현하지 못했습니다.
이를 해결하기 위해 증거 이론에 기반한 다중 뷰 저차원 증거 c-평균 클러스터링 방법(MvLRECM)을 제안합니다.
MvLRECM은 각 객체를 단일 클러스터뿐만 아니라 여러 클러스터의 합집합인 메타 클러스터에도 할당할 수 있어 부정확성을 표현할 수 있습니다.
또한 엔트로피 가중치와 저차원 제약을 사용하여 부정확성을 줄이고 정확도를 높입니다.
실험 결과 제안 방법이 기존 방법보다 성능이 우수함을 보였습니다.
الإحصائيات
다음은 실험 결과에서 도출된 주요 통계 수치들입니다:
abalone 데이터셋에서 MvLRECM의 클러스터링 정확도(ACC)는 0.5165, 정규화된 상호 정보(NMI)는 0.1180, 순도(Purity)는 0.5201, F-점수는 0.4264, 정밀도는 0.4211, 재현율은 0.4318, 랜드 지수(RI)는 0.6111입니다.
اقتباسات
해당 논문에는 인용할만한 주요 문구가 없습니다.