Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

5. Multiview Clustering

verfasst von : Shiliang Sun, Liang Mao, Ziang Dong, Lidan Wu

Erschienen in: Multiview Machine Learning

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This chapter introduces three kinds of multiview clustering methods. We begin with the multiview spectral clustering, where the clustering is carried out through the partition of a relationship graph of the data. It depends on the eigenvector of the adjacent matrix of the data. Then we consider the multiview subspace clustering, which aims at recovering the underlying subspace of the multiview data and performs clustering on it. Finally, we introduce distributed multiview clustering, which first learns the patterns from each view individually and then combines them together to learn optimal patterns for clustering, and multiview clustering ensemble. It combines the results of multiple clustering algorithms to obtain better performance. We also briefly introduce some other methods at the end of this chapter.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Multiview Supervised Learning
Nächstes Kapitel Multiview Active Learning
Literatur
Achlioptas D, McSherry F (2005) On spectral learning of mixtures of distributions. In: Proceedings of the 18th annual conference on learning theory. ACM, Berlin, pp 458–469CrossRef
Bolte J, Sabach S, Teboulle M (2014) Proximal alternating linearized minimization or nonconvex and nonsmooth problems. Math Program 146(1–2):459–494MathSciNetCrossRef
Cai X, Nie F, Huang H (2013) Multi-view k-means clustering on big data
Chaudhuri K, Kakade SM, Livescu K, Sridharan K (2009) Multi-view clustering via canonical correlation analysis. In: Proceedings of the 26th annual international conference on machine learning. ACM, pp 129–136
Ding C, He X, Simon HD (2005) On the equivalence of nonnegative matrix factorization and spectral clustering. In: Proceedings of the 5th SIAM international conference on data mining, SIAM, pp 606–610
Elhamifar E, Vidal R (2013) Sparse subspace clustering: algorithm, theory, and applications. IEEE Trans Pattern Anal Mach Intell 35(11):2765–2781CrossRef
Gao H, Nie F, Li X, Huang H (2015) Multi-view subspace clustering. In: 2015 IEEE international conference on computer vision, pp 4238–4246
Kumar A, Daum H (2011) A co-training approach for multi-view spectral clustering. In: Proceedings of the 28th international conference on machine learning. ACM, pp 393–400
Kumar A, Rai P, Daume H (2011) Co-regularized multi-view spectral clustering. Adv Neural Inf Process Syst 24:1413–1421
Lee DD, Seung HS (1999) Learning the parts of objects by non-negative matrix factorization. Nature 401(6755):788CrossRef
Liu J, Wang C, Gao J, Han J (2013) Multi-view clustering via joint nonnegative matrix factorization. In: Proceedings of the 13th SIAM international conference on data mining, SIAM, pp 252–260
Long B, Yu PS, Zhang ZM (2008) A general model for multiple view unsupervised learning. In: Proceedings of the 8th SIAM international conference on data mining, SIAM, pp 822–833
Nie F, Zeng Z, Tsang IW, Xu D, Zhang C (2011) Spectral embedded clustering: a framework for in-sample and out-of-sample spectral clustering. IEEE Trans Neural Netw 22(11):1796–1808CrossRef
Salakhutdinov R, Roweis ST (2003) Adaptive overrelaxed bound optimization methods. In: Proceedings of the 20th international conference on machine learning, pp 664–671
Sun J, Lu J, Xu T, Bi J (2015) Multi-view sparse co-clustering via proximal alternating linearized minimization. In: Proceedings of the 32th international conference on machine learning, pp 757–766
Topchy A, Jain AK, Punch W (2005) Clustering ensembles: models of consensus and weak partitions. IEEE Trans Pattern Anal Mach Intell 27(12):1866–1881CrossRef
Wang H, Nie F, Huang H, Risacher SL, Saykin AJ, Shen L, Initiative ADN (2012) Identifying disease sensitive and quantitative trait-relevant biomarkers from multidimensional heterogeneous imaging genetics data via sparse multimodal multitask learning. Bioinformatics 28(12):i127–i136CrossRef
Wang H, Nie F, Huang H (2013a) Multi-view clustering and feature learning via structured sparsity. In: Proceedings of the 30th international conference on machine learning, pp 352–360
Wang H, Nie F, Huang H, Ding C (2013b) Heterogeneous visual features fusion via sparse multimodal machine. In: Proceedings of the IEEE conference on computer vision and pattern recognition, pp 3097–3102
Xie X, Sun S (2013) Multi-view clustering ensembles. In: Proceedings of the 5th international conference on machine learning and cybernetics, vol 1, pp 51–56
Zhou ZH, Tang W (2006) Clusterer ensemble. Knowl-Based Syst 19(1):77–83CrossRef
Metadaten
Titel
Multiview Clustering
verfasst von
Shiliang Sun
Liang Mao
Ziang Dong
Lidan Wu
Copyright-Jahr
2019
Verlag
Springer Singapore
Buch
Multiview Machine Learning

Print ISBN: 978-981-13-3028-5

Electronic ISBN: 978-981-13-3029-2

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-981-13-3029-2_5