Multi-task clustering via domain adaptation
Multi-task clustering via domain adaptation
复制标题
通过域适应的多任务聚类
DOI：
10.1016/j.patcog.2011.05.011
复制
发表时间：
2012
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
聚类是模式识别和机器学习研究中的一个基本课题。传统的聚类方法处理单个数据集上的单个聚类任务。然而，在许多真实的应用中，同时涉及多个类似的聚类任务，例如，对不同购物网站的客户端进行聚类，每个任务收集不同主题的数据。这些任务是跨领域的，但密切相关。证明了通过适当地利用从属关系可以提高每个聚类任务的个体性能。在本文中，我们将提出一种新的方法，它执行多个相关的聚类任务，同时通过域自适应。通过领域自适应学习共享子空间，缩小任务间分布的差距，利用学习子空间中的强化关系，在所有任务间传递共享知识。然后将对象设置为原始空间和学习空间中的最佳聚类。提出了一种交替优化方法，并从理论上保证了其收敛性。在合成数据集和真实的数据集上的实验证明了该方法的有效性。
Clustering is a fundamental topic in pattern recognition and machine learning research. Traditional clustering methods deal with a single clustering task on a single data set. However, in many real applications, multiple similar clustering tasks are involved simultaneously, e.g., clustering clients of different shopping websites, in which data of different subjects are collected for each task. These tasks are cross-domains but closely related. It is proved that we can improve the individual performance of each clustering task by appropriately utilizing the underling relation. In this paper, we will propose a new approach, which performs multiple related clustering tasks simultaneously through domain adaptation. A shared subspace will be learned through domain adaptation, where the gap of distributions among tasks is reduced, and the shared knowledge will be transferred through all tasks by exploiting the strengthened relation in the learned subspace. Then the object is set as the best clustering in both the original and learned spaces. An alternating optimization method is introduced and its convergence is theoretically guaranteed. Experiments on both synthetic and real data sets demonstrate the effectiveness of the proposed approach.
登录
查看更多内容
DOI：
10.1109/icassp.2009.4959897
发表时间：
2009-04
期刊：
2009 IEEE International Conference on Acoustics, Speech and Signal Processing
影响因子：
--
作者：
Chunping Wang;Qi An;L. Carin;D. Dunson
通讯作者：
Chunping Wang;Qi An;L. Carin;D. Dunson
影响因子：
6
作者：
Jianwen Zhang;Changshui Zhang
通讯作者：
Jianwen Zhang;Changshui Zhang
DOI：
10.1145/1557019.1557063
发表时间：
2009-06
期刊：
--
影响因子：
--
作者：
Quanquan Gu;Jie Zhou
通讯作者：
Quanquan Gu;Jie Zhou
DOI：
10.1007/978-1-4899-7687-1_100322
发表时间：
2017
期刊：
--
影响因子：
--
作者：
Negar Rostamzadeh
通讯作者：
Negar Rostamzadeh
影响因子：
5
作者：
Daumé, H;Marcu, D
通讯作者：
Marcu, D