Partially Related Multi-Task Clustering
Partially Related Multi-Task Clustering
复制标题
部分相关的多任务聚类
DOI：
10.1109/tkde.2018.2818705
复制
发表时间：
2018-12
影响因子：
8.9
通讯作者：
Liu Xinyue
中科院分区：
文献类型：
--
作者：
Zhang Xiaotong;Zhang Xianchao;Liu Han;Liu Xinyue
多任务聚类通过在相关任务之间传递知识来提高每个任务的聚类性能。大多数现有的多任务聚类方法都是基于任务完全相关的理想假设。然而，在实际应用程序中，这些任务通常是部分相关的。在这种情况下，暴力迁移可能会产生负面影响，降低聚类性能。本文针对部分相关任务提出了两种多任务聚类方法：自适应多任务聚类（SAMTC）方法和流形正则化编码多任务聚类（MRCMTC）方法，可以自动识别相关实例并在任务之间进行迁移，从而避免负迁移。SAMTC和MRCMTC都是通过相关实例转移来挖掘源任务的有用信息，为每个目标任务构建相似矩阵，并采用谱聚类得到最终聚类结果。但是，它们以不同的方式从源任务中学习相关实例。在真实数据集上的实验结果表明，本文算法在完全相关和部分相关任务上都优于传统的单任务聚类方法和现有的多任务聚类方法。
Multi-task clustering improves the clustering performance of each task by transferring knowledge across related tasks. Most existing multi-task clustering methods are based on the ideal assumption that the tasks are completely related. However, in real applications, the tasks are usually partially related. In these cases, brute-force transfer may cause negative effect which degrades the clustering performance. In this paper, we propose two multi-task clustering methods for partially related tasks: the self-adapted multi-task clustering (SAMTC) method and the manifold regularized coding multi-task clustering (MRCMTC) method, which can automatically identify and transfer related instances among the tasks, thus avoiding negative transfer. Both SAMTC and MRCMTC construct the similarity matrix for each target task by exploiting useful information from the source tasks through related instances transfer, and adopt spectral clustering to get the final clustering results. But, they learn the related instances from the source tasks in different ways. Experimental results on real data sets show the superiorities of the proposed algorithms over traditional single-task clustering methods and existing multi-task clustering methods on both completely and partially related tasks.
登录
查看更多内容
DOI：
10.1201/b17040
发表时间：
2014-06
期刊：
--
影响因子：
--
作者：
Sw. Banerjee;Anindya Roy
通讯作者：
Sw. Banerjee;Anindya Roy
DOI：
--
发表时间：
2013-06
期刊：
--
影响因子：
--
作者：
S. Gupta;Dinh Q. Phung;S. Venkatesh
通讯作者：
S. Gupta;Dinh Q. Phung;S. Venkatesh
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
DOI：
--
发表时间：
2015-07
期刊：
--
影响因子：
--
作者：
Junfeng Wen;R. Greiner;Dale Schuurmans
通讯作者：
Junfeng Wen;R. Greiner;Dale Schuurmans
DOI：
10.1109/34.868688
发表时间：
2000-08-01
影响因子：
23.6
作者：
Shi, JB;Malik, J
通讯作者：
Malik, J