Nowadays, data always have multiple

Nowadays, data always have multiple representations, and a good feature representation usually leads to a good clustering performance. Existing multi-view clustering works generally integrate multiple complementary information to gain better clustering performance rather than relying on a single view. However, these works usually focus on the combination of information rather than improving the feature representation capability of each view. As a new method, extreme learning machine (ELM) has excellent feature representation capability, easy parameter selection, and promising performance in various clustering tasks. This paper proposes a novel multi-view clustering framework with ELM to further improve clustering performance, and implements three algorithms based on this framework. In this framework, the normalized features of each individual view are mapped onto a higher dimensional feature space by the ELM random mapping. Afterwards, the unsupervised multi-view clustering is performed in this feature space. Thus far, this is the first work on multi-view clustering with ELM. Numerous baseline methods on five real-world datasets are empirically compared to show the effectiveness of the proposed algorithms. As indicated, the proposed algorithms yield superior clustering performance when compared with several state-of-art multi-view clustering methods in recent literatures.

ผลลัพธ์ (ไทย) 1:

ในปัจจุบัน ข้อมูลเสมอมีหลายแทน และการแสดงคุณลักษณะที่ดีมักจะนำไปสู่ประสิทธิภาพระบบคลัสเตอร์ที่ดี ระบบคลัสเตอร์ทำงานอยู่หลายมุมมองโดยทั่วไปรวมหลายข้อมูลที่เสริมประสิทธิภาพระบบคลัสเตอร์ดีกว่ากำไรมากกว่าในมุมมองเดียว อย่างไรก็ตาม ผลงานเหล่านี้มักจะมุ่งเน้นการผสมผสานของข้อมูลมากกว่าการพัฒนาความสามารถแสดงคุณลักษณะของแต่ละมุมมอง เป็นวิธีการใหม่ เครื่องการเรียนรู้มาก (ELM) มีความสามารถแสดงคุณลักษณะที่ดี เลือกพารามิเตอร์ง่าย และแนวโน้มประสิทธิภาพในงานระบบคลัสเตอร์ต่าง ๆ กระดาษนี้เสนอนวนิยายหลายมุมมองระบบคลัสเตอร์กรอบการทำงานกับเอล์เพื่อปรับ ปรุงประสิทธิภาพระบบคลัสเตอร์ และใช้อัลกอริทึม 3 ตามกรอบนี้ ในกรอบนี้ คุณลักษณะมาตรฐานของแต่ละมุมมองแต่ละถูกแมปลงในช่องว่างมิติคุณลักษณะสูง โดยการแมปสุ่มเอล์ม หลังจากนั้น ดูหลายขั่ว clustering จะดำเนินการในพื้นที่ลักษณะนี้ ป่านนี้ นี้เป็นงานแรกในหลายมุมมองคลัสเตอร์กับ ELM วิธีการพื้นฐานมากมายบนชุดข้อมูลจริงห้ามีการเปรียบเทียบเชิงประสบการณ์ด้วยเพื่อแสดงประสิทธิภาพของขั้นตอนวิธีการนำเสนอ ตามที่ระบุไว้ ขั้นตอนวิธีการนำเสนอผลผลิตระบบคลัสเตอร์ประสิทธิภาพเหนือกว่าเมื่อเทียบกับหลายรัฐของศิลปะหลายดู clustering วิธีในกวีนิพนธ์ล่า

ผลลัพธ์ (ไทย) 2:

ปัจจุบันข้อมูลที่มักจะมีการแสดงต่างๆและการแสดงคุณลักษณะที่ดีมักจะนำไปสู่​​ผลการดำเนินงานการจัดกลุ่มดี ที่มีอยู่หลายมุมมองการจัดกลุ่มโดยทั่วไปการทำงานบูรณาการข้อมูลเสริมหลายที่จะได้รับประสิทธิภาพการทำงานที่ดีกว่าการจัดกลุ่มแทนที่จะอาศัยมุมมองเดียว แต่ผลงานเหล่านี้มักจะมุ่งเน้นไปที่การรวมกันของข้อมูลที่มากกว่าความสามารถในการปรับปรุงคุณลักษณะการเป็นตัวแทนของแต่ละมุมมอง ในฐานะที่เป็นวิธีการใหม่ในเครื่องการเรียนรู้มาก (ELM) มีความสามารถที่ยอดเยี่ยมคุณลักษณะการเป็นตัวแทนการเลือกพารามิเตอร์ง่ายและประสิทธิภาพการทำงานที่มีแนวโน้มในการจัดกลุ่มงานต่างๆ บทความนี้นำเสนอมุมมองที่หลายกรอบการจัดกลุ่มนวนิยายกับ ELM เพื่อปรับปรุงประสิทธิภาพการจัดกลุ่มและดำเนินการสามขั้นตอนวิธีการขึ้นอยู่กับกรอบนี้ ในกรอบนี้คุณสมบัติปกติของแต่ละมุมมองของแต่ละบุคคลจะถูกแมปบนพื้นที่คุณลักษณะมิติที่สูงขึ้นโดยการทำแผนที่สุ่ม ELM หลังจากนั้นหลายมุมมองใกล้ชิดการจัดกลุ่มจะดำเนินการในพื้นที่คุณลักษณะนี้ ป่านนี้นี้เป็นงานแรกในหลายมุมมองการจัดกลุ่มกับ ELM วิธีการพื้นฐานต่าง ๆ นานาในห้าชุดข้อมูลที่แท้จริงของโลกเมื่อเทียบสังเกตุจะแสดงประสิทธิภาพของอัลกอริทึมที่นำเสนอ ตามที่ระบุขั้นตอนวิธีการที่นำเสนอผลการดำเนินงานการจัดกลุ่มให้ผลผลิตที่ดีกว่าเมื่อเทียบกับรัฐของศิลปะวิธีการหลายมุมมองการจัดกลุ่มในหลายวรรณกรรมที่ผ่านมา

ผลลัพธ์ (ไทย) 3:

ทุกวันนี้ ข้อมูลมักมีหลายแนวทาง และการแสดงคุณลักษณะที่ดีมักจะนำไปสู่ที่ดีสำหรับการแสดง ดูผลงานโดยรวมที่มีอยู่หลายกลุ่มหลายที่จะได้รับดีกว่าสำหรับข้อมูลเสริมประสิทธิภาพมากกว่าใช้ในมุมมองเดียว อย่างไรก็ตาม ผลงานเหล่านี้มักจะมุ่งเน้นการรวมกันของข้อมูลมากกว่าการปรับปรุงคุณลักษณะการแสดงความสามารถของแต่ละมุมมอง เป็นวิธีการใหม่ , การเรียนรู้เครื่องมาก ( ELM ) มีความสามารถในการแสดงคุณลักษณะยอดเยี่ยม การเลือกพารามิเตอร์ที่ง่ายและมีแนวโน้มในการแสดงต่าง ๆสำหรับงาน บทความนี้เสนอนวนิยายหลายมุมมองการจัดกลุ่มโครงสร้าง Elm เพื่อปรับปรุงการจัดกลุ่มสมรรถนะ และใช้สามขั้นตอนตามกรอบนี้ ในกรอบนี้ มาตรฐานคุณลักษณะของแต่ละบุคคลจะถูกแมปไปยังดูสูงกว่ามิติคุณลักษณะพื้นที่โดย Elm สุ่มแผนที่ หลังจากนั้น unsupervised หลายมุมมองการจัดกลุ่มจะดําเนินการในลักษณะนี้พื้นที่ ดังนั้น นี่เป็นงานแรกในหลายมุมมองการจัดกลุ่มกับ Elm หลายวิธีการพื้นฐานในห้าจริงจะใช้ข้อมูลเปรียบเทียบเพื่อแสดงประสิทธิผลของการนำเสนออัลกอริทึม ตามที่ระบุไว้ , เสนออัลกอริทึมการจัดกลุ่มงานผลผลิตที่เหนือกว่าเมื่อเทียบกับหลายรัฐของศิลปะหลากมุมมองแบ่งกลุ่มวิธีการล่าสุดวรรณกรรม .