دانلود مقاله ISI انگلیسی شماره 115545
ترجمه فارسی عنوان مقاله

فراتر از نمایندگان رده پایین: بازسازی پایه خوشه ای مستطیلی با ساختار گراف بهینه شده برای چند خوشه بندی طیفی

عنوان انگلیسی
Beyond Low-Rank Representations: Orthogonal clustering basis reconstruction with optimized graph structure for multi-view spectral clustering
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
115545 2018 8 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 5834 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 12 روز بعد از پرداخت 70,008 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 6 روز بعد از پرداخت 140,016 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Neural Networks, Volume 103, July 2018, Pages 1-8

ترجمه کلمات کلیدی
نمایندگی کم رتبه یادگیری زیر فضای چندگانه، خوشه بندی
کلمات کلیدی انگلیسی
Low-Rank Representation; Multi-view subspace learning; Clustering;
پیش نمایش مقاله
پیش نمایش مقاله فراتر از نمایندگان رده پایین: بازسازی پایه خوشه ای مستطیلی با ساختار گراف بهینه شده برای چند خوشه بندی طیفی

چکیده انگلیسی

Low-Rank Representation (LRR) is arguably one of the most powerful paradigms for Multi-view spectral clustering, which elegantly encodes the multi-view local graph/manifold structures into an intrinsic low-rank self-expressive data similarity embedded in high-dimensional space, to yield a better graph partition than their single-view counterparts. In this paper we revisit it with a fundamentally different perspective by discovering LRR as essentially a latent clustered orthogonal projection based representation winged with an optimized local graph structure for spectral clustering; each column of the representation is fundamentally a cluster basis orthogonal to others to indicate its members, which intuitively projects the view-specific feature representation to be the one spanned by all orthogonal basis to characterize the cluster structures. Upon this finding, we propose our technique with the following: (1) We decompose LRR into latent clustered orthogonal representation via low-rank matrix factorization, to encode the more flexible cluster structures than LRR over primal data objects; (2) We convert the problem of LRR into that of simultaneously learning orthogonal clustered representation and optimized local graph structure for each view; (3) The learned orthogonal clustered representations and local graph structures enjoy the same magnitude for multi-view, so that the ideal multi-view consensus can be readily achieved. The experiments over multi-view datasets validate its superiority, especially over recent state-of-the-art LRR models.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 5834 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 12 روز بعد از پرداخت 70,008 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 6 روز بعد از پرداخت 140,016 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.