Viewpoint-Based Kernel Fuzzy Clustering With Weight Information Granules
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Domain knowledge can be introduced into fuzzy clustering with the aid of information granules, embodied by the concept of viewpoints. For such kind of fuzzy clustering methods, the strategy of acquisition of viewpoints has not been fully developed. Furthermore a way of determining the related information granules deserves more attention. Having these problems in mind, in this study, the density Viewpoint-based Weighted Kernel Fuzzy Clustering (VWKFC) algorithm is proposed. First, the kernel-based hypersphere density initialization (KHDI) algorithm is presented as a certain prerequisite, in which the kernel distance is utilized instead of the Euclidean distance. Besides, a novel density radius is put forward. Second, the concept of the weight information granule is established, which incorporates two parts. The feature weight matrix is provided, where different weights are assigned to different features to reduce the influence of unrelated features. Meanwhile a sample weight is assigned to each data point, thus the influence of noise and outliers on clustering can be reduced to a certain extent. Third, the data point with the highest local density obtained by KHDI is regarded as the density viewpoint. Then we combine kernel mechanism, density viewpoints, weight information granules and a maximum entropy regularization to design the VWKFC algorithm, and prove its convergence. Experimental results validate that VWKFC is superior over eight related clustering algorithms with regard to five evaluation indexes, especially when processing high-dimensional data. It has been shown that VWKFC makes the selection of initialized cluster centers and viewpoints more reasonable, and obtains better clustering results, and achieves higher convergence speed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle