Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

A rank-based framework through manifold learning for improved clustering tasks

Texto completo
Autor(es):
Rozin, Bionda [1] ; Pereira-Ferrero, Vanessa Helena [1] ; Lopes, Leonardo Tadeu [1] ; Pedronette, Daniel Carlos Guimaraes [1]
Número total de Autores: 4
Afiliação do(s) autor(es):
[1] Sao Paulo State Univ UNESP, Dept Stat Appl Math & Comp DEMAC, Rio Claro - Brazil
Número total de Afiliações: 1
Tipo de documento: Artigo Científico
Fonte: INFORMATION SCIENCES; v. 580, p. 202-220, NOV 2021.
Citações Web of Science: 0
Resumo

The relevance of diversified data preprocessing approaches for improving clustering tasks is remarkable. Once the effectiveness is direct impacted by feature representation and sim-ilarity definition, considerable attention from the research community has been drawn to this direction. More recently, rank-based manifold learning methods have been success-fully explored in unsupervised similarity learning for retrieval scenarios. Such methods consider the underlying dataset manifold to compute a new similarity measure, which increases the separability of data from distinct classes. In this paper, a rank-based frame-work for clustering tasks is proposed based on contemporary manifold learning methods. A flexible model is employed, where ranking structures are the representation of similarity information among data samples. Subsequently, is made the exploration of unsupervised similarity learning. It is also possible to compute more effective similarity measures and clustering results. To assess the effectiveness of the proposed framework was conducted a comprehensive experimental evaluation. The tests involved various public image data-sets, considering different manifold learning and clustering methods. The quantitative experiments take into consideration comparisons with traditional and recent state-of -the-art clustering approaches. (c) 2021 Elsevier Inc. All rights reserved. (AU)

Processo FAPESP: 17/25908-6 - Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais
Beneficiário:João Paulo Papa
Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 20/02183-9 - Aprendizado não supervisionado baseado em ranqueamento e aprendizado profundo em domínios diversos
Beneficiário:Vanessa Helena Pereira Ferrero
Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
Processo FAPESP: 20/08854-2 - Investigação de medidas contextuais para aprendizado fracamente supervisionado baseadas em grafos
Beneficiário:Bionda Rozin
Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
Processo FAPESP: 18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação
Beneficiário:Daniel Carlos Guimarães Pedronette
Modalidade de apoio: Auxílio à Pesquisa - Jovens Pesquisadores - Fase 2