Một phương pháp phân cụm bán giám sát mờ đồng huấn luyện trên dữ liệu đa khung nhìn
A Semi-Supervised Fuzzy Clustering Co-Training Approach on Multi-View Data
Abstract
Trong thực tế hiện nay, dữ liệu đa khung nhìn ngày càng phổ biến. Dữ liệu đa khung nhìn (Multi-view data) đề cập đến loại dữ liệu bao gồm nhiều quan điểm hoặc góc nhìn về một đối tượng. Dữ liệu trong mỗi khung nhìn riêng lẻ có thuộc tính cụ thể thực hiện nhiệm vụ khám phá tri thức riêng và cung cấp các thông tin về cùng một vấn đề với độ chính xác và độ tin cậy khác nhau. Việc kết hợp nhiều loại thông tin từ các khung nhìn, có thể thu được biểu diễn đầy đủ và chính xác hơn về các đối tượng, dẫn đến việc phân tích dữ liệu và ra quyết định được cải thiện. Phân cụm đa khung nhìn là hướng nghiên cứu đã thu hút được sự quan tâm của các nhà khoa học trong nhiều năm gần đây. Tuy nhiên, chưa có nghiên cứu nào tập trung vào phân cụm bán giám sát mờ kết hợp thuật toán đồng huấn luyện để đánh giá độ chính xác và chất lượng phân cụm trên tập dữ liệu đa khung nhìn. Bài báo này đề xuất một phương pháp mới trong phân cụm bán giám sát mờ, sử dụng thuật toán đồng huấn luyện trên dữ liệu đa khung nhìn thu thập từ một nguồn dữ liệu. Đồng thời, bài báo cũng cung cấp các kết quả thực nghiệm để đánh giá tính hiệu quả và độ chính xác của thuật toán đề xuất.
References
Al-Amri, Salem Saleh, and Namdeo V. Kalyankar. "Image segmentation by using threshold techniques." arXiv preprint arXiv:1005.4020 (2010).
Li, Xin, et al. "A multi-view model for visual tracking via correlation filters." Knowledge-Based Systems 113 (2016): 88-99.
Elkahky, Ali Mamdouh, Yang Song, and Xiaodong He. "A multi-view deep learning approach for cross domain user modeling in recommendation systems." Proceedings of the 24th international conference on world wide web. (2015).
Xu, Chang, Dacheng Tao, and Chao Xu. "A survey on multiview learning." arXiv preprint arXiv:1304.5634 (2013).
Zhu, Zhenfeng, et al. "Shared Subspace Learning for Latent Representation of Multi-View Data." J. Inf. Hiding Multim. Signal Process. 5.3 (2014): 546-554.
Yang, Yan, and Hao Wang. "Multi-view clustering: A survey." Big Data Mining and Analytics 1.2 (2018): 83-107.
Bickel, Steffen, and Tobias Scheffer. "Multi-view clustering." ICDM. Vol. 4. No. 2004. (2004).
Ye, Fanghua, et al. "New approaches in multi-view clustering." Recent applications in data clustering 195 (2018).
Xu, Chang, Dacheng Tao, and Chao Xu. "A survey on multiview learning." arXiv preprint arXiv:1304.5634 (2013).
Sun, Shiliang. "A survey of multi-view machine learning." Neural computing and applications 23 (2013): 2031-2038.
Chen, Rui, et al. "Deep multi-view semi-supervised clustering with sample pairwise constraints." Neurocomputing 500 (2022): 832-845.
Li, B., Li, X., Zhang, L., Yu, Z., & Wu, X. (2021), “Multiview clustering via robust probabilistic non-negative matrix factorization”, IEEE Transactions on Neural Networks and Learning Systems, 32(5), 1975-1986
Blum, Avrim, and Tom Mitchell. "Combining labeled and unlabeled data with co-training." Proceedings of the eleventh annual conference on Computational learning theory. (1998).
Ye, F., Chen, Z., Qian, H., Li, R., Chen, C., & Zheng, Z. New approaches in multi-view clustering. Recent applications in data clustering, 195.(2018).
Kumar, Abhishek, and Hal Daumé. "A co-training approach for multi-view spectral clustering." Proceedings of the 28th international conference on machine learning (ICML-11). (2011).
D. Dua and C. Graff, “UCI Machine Learning Repository,” 2019.[Online]. Available. http://archive.ics.uci.edu/ml. [Accessed Jan. 10, 2022].
Wang, Jiada, Yijun Liu, and Wujian Ye. "FMvC: Fast MultiView Clustering." IEEE Access 11 (2023): 12808- 2820.
Bernard, Desgraupes. "Clustering Indices." University Paris Ouest Lab Modal’X November (2017).
