Multi-modal Multi-view Clustering based on Non-negative Matrix Factorization

要約

関連するオブジェクトを組み合わせることで、教師なし機械学習技術は、データセット内の基礎となるパターンを明らかにすることを目的としています。
非負行列分解 (NMF) は、要素の非負性に対する制限を課すことによってデータ行列を 2 つの行列に分割するデータ マイニング手法です。1 つはデータ パーティションを表し、もう 1 つはデータ セットのクラスター プロトタイプを表します。
この手法は大きな注目を集めており、テキストマイニング、クラスタリング、言語モデリング、音楽転写、神経科学（遺伝子分離）など幅広い用途で使用されています。
生成された行列の解釈は、負の値が存在しないことにより簡単になります。
この記事では、マルチモーダル クラスタリング アルゴリズムに関する研究を提案し、複数のローカル NMF モデルの連携を分析する、マルチモーダル マルチビュー非負行列因数分解と呼ばれる新しい方法を紹介します。
実験結果は、さまざまなデータセットを使用して評価された提案されたアプローチの価値を示しており、得られた結果は最先端の方法と比較して非常に有望です。

要約(オリジナル)

By combining related objects, unsupervised machine learning techniques aim to reveal the underlying patterns in a data set. Non-negative Matrix Factorization (NMF) is a data mining technique that splits data matrices by imposing restrictions on the elements’ non-negativity into two matrices: one representing the data partitions and the other to represent the cluster prototypes of the data set. This method has attracted a lot of attention and is used in a wide range of applications, including text mining, clustering, language modeling, music transcription, and neuroscience (gene separation). The interpretation of the generated matrices is made simpler by the absence of negative values. In this article, we propose a study on multi-modal clustering algorithms and present a novel method called multi-modal multi-view non-negative matrix factorization, in which we analyze the collaboration of several local NMF models. The experimental results show the value of the proposed approach, which was evaluated using a variety of data sets, and the obtained results are very promising compared to state of art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google