当前位置: X-MOL 学术Complexity › 论文详情
A Gaussian Process Latent Variable Model for Subspace Clustering
Complexity ( IF 2.462 ) Pub Date : 2021-01-13 , DOI: 10.1155/2021/8864981
Shangfang Li

Effective feature representation is the key to success of machine learning applications. Recently, many feature learning models have been proposed. Among these models, the Gaussian process latent variable model (GPLVM) for nonlinear feature learning has received much attention because of its superior performance. However, most of the existing GPLVMs are mainly designed for classification and regression tasks, thus cannot be used in data clustering task. To address this issue and extend the application scope, this paper proposes a novel GPLVM for clustering (C-GPLVM). Specifically, by combining GPLVM with the subspace clustering method, our C-GPLVM can obtain more representative latent variable for clustering. Moreover, it can directly predict the new samples by introducing a back constraint in the model, thus being more suitable for big data learning tasks such as analysis of chaotic time series and so on. In the experiment, we compare it with the related GPLVMs and clustering algorithms. The experimental results show that the proposed model not only inherits the feature learning ability of GPLVM but also has superior clustering accuracy.

中文翻译:

子空间聚类的高斯过程潜在变量模型

有效的特征表示是机器学习应用程序成功的关键。最近,已经提出了许多特征学习模型。在这些模型中,用于非线性特征学习的高斯过程潜变量模型(GPLVM)由于其卓越的性能而备受关注。但是,大多数现有的GPLVM主要设计用于分类和回归任务,因此不能用于数据聚类任务。为了解决这个问题并扩展应用范围,本文提出了一种新的集群GPLVM(C-GPLVM)。具体来说,通过将GPLVM与子空间聚类方法相结合,我们的C-GPLVM可以获取更具代表性的潜在变量进行聚类。此外,它可以通过在模型中引入反向约束来直接预测新样本,因此更适合于大数据学习任务,如混沌时间序列分析等。在实验中,我们将其与相关的GPLVM和聚类算法进行了比较。实验结果表明,该模型不仅继承了GPLVM的特征学习能力,而且具有较高的聚类精度。
更新日期:2021-01-13
全部期刊列表>>
微生物研究
亚洲大洋洲地球科学
NPJ欢迎投稿
自然科研论文编辑
ERIS期刊投稿
欢迎阅读创刊号
自然职场,为您触达千万科研人才
spring&清华大学出版社
城市可持续发展前沿研究专辑
Springer 纳米技术权威期刊征稿
全球视野覆盖
施普林格·自然新
chemistry
物理学研究前沿热点精选期刊推荐
自然职位线上招聘会
欢迎报名注册2020量子在线大会
化学领域亟待解决的问题
材料学研究精选新
GIANT
ACS ES&T Engineering
ACS ES&T Water
屿渡论文,编辑服务
阿拉丁试剂right
上海中医药大学
清华大学
复旦大学
南科大
北京理工大学
清华
隐藏1h前已浏览文章
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
清华大学-1
武汉大学
浙江大学
天合科研
x-mol收录
试剂库存
down
wechat
bug