• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

Том 35 №1

Содержание

  1. ОММОХРОМЫ СЛОЖНОГО ГЛАЗА НАСЕКОМЫХ: АНТИГЛИКИРУЮЩЕЕ ДЕЙСТВИЕ
  2. НЕЙРОНЫ TECTUM OPTICUM РЫБ, ЭЛЕКТРИЧЕСКАЯ АКТИВНОСТЬ И ПОДБОР АДЕКВАТНОЙ СТИМУЛЯЦИИ
  3. ДАУНРЕГУЛЯЦИЯ УЛЬТРАФИОЛЕТ-ЧУВСТВИТЕЛЬНОГО ЗРИТЕЛЬНОГО ПИГМЕНТА ТАРАКАНА УМЕНЬШАЕТ ЭФФЕКТ МАСКИНГА ПРИ КОРОТКОВОЛНОВОМ ОСВЕЩЕНИИ
  4. ЧАСТОТНО-ВРЕМЕННЫЕ ОСОБЕННОСТИ ДВИЖЕНИЯ ГЛАЗ ПРИ ИСПОЛЬЗОВАНИИ ВИДЕООКУЛОГРАФИЧЕСКОГО ИНТЕРФЕЙСА В ЗАДАЧАХ УПРАВЛЕНИЯ ЭРГАТИЧЕСКИМИ СИСТЕМАМИ
  5. ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ДАННЫХ О ВИБРАЦИОННОЙ КОММУНИКАЦИИ ДЛЯ РАЗРАБОТКИ БЕЗОПАСНЫХ МЕТОДОВ КОНТРОЛЯ ЧИСЛЕННОСТИ НАСЕКОМЫХ
  6. МЕТОД АНСАМБЛИРОВАНИЯ АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ СОВМЕСТНОЙ КЛАСТЕРИЗАЦИИ
  7. УЛУЧШЕНИЕ НЕЙРОСЕТЕВОГО ДЕТЕКТОРА ОТРЕЗКОВ ПУТЕМ ДОБАВЛЕНИЯ ИНЖЕНЕРНЫХ ПРИЗНАКОВ
  8. РАСПОЗНАВАНИЕ ПРОЕКТИВНО ПРЕОБРАЗОВАННЫХ ПЛОСКИХ ФИГУР. XV. МЕТОДЫ ПОИСКА ОСЕЙ И ЦЕНТРОВ ОВАЛОВ С СИММЕТРИЯМИ, ИСПОЛЬЗУЮЩИЕ СЕТ ДУАЛЬНЫХ ПАР ЛИБО ТРИАДЫ ЧЕВИАН
  9. АППАРАТНАЯ НЕЗАВИСИМОСТЬ И ТОЧНОСТЬ НЕЙРОСЕТЕВОГО ШУМОПОДАВЛЕНИЯ НА ИЗОБРАЖЕНИЯХ КАК ФУНКЦИЯ ОБЪЕМА ОБУЧАЮЩИХ ДАННЫХ

МЕТОД АНСАМБЛИРОВАНИЯ АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ СОВМЕСТНОЙ КЛАСТЕРИЗАЦИИ

© 2021 г. И. И. Байков1, Е. А. Семерова1, А. И. Курмуков1,2

1Национальный исследовательский университет, Высшая школа экономики”, 101000 Москва, Мясницкая ул., 20, Россия
kurmukovai@gmail.com
2Институт проблем передачи информации им. А.А. Харкевича РАН, 127994 Москва, Большой Каретный пер., д. 19, Россия

Поступила в редакцию 02.11.2020 г.

Мы предлагаем решение задачи совместной кластеризации (multi-view clustering), в которой каждый объект описывается не одним, а несколькими независимыми наборами признаков. В настоящей работе нашими объектами являются вершины графов, которые определены на общем множестве вершин, но обладают различными множествами ребер. Задача кластеризации вершин графа заключается в разбиении множества вершин на группы таким образом, чтобы количество ребер внутри одной группы было велико, а количество ребер между вершинами из разных групп было мало. Наш подход к ансамблированию позволяет адаптировать целый класс жадных алгоритмов кластеризации вершин графа для задачи совместной кластеризации. Обход вершин каждого графа производится независимо, а присвоение меток кластеров происходит на основе усредненной метрики качества. Мы демонстрируем результаты экспериментов на реальных и синтетических данных (с известной кластерной структурой). Результаты работы нашего алгоритма на реальных данных не уступают существующим методам, а на синтетических данных с большим количеством кластеров превосходят их.

Ключевые слова: кластеризация вершин графа, совместная кластеризация, ансамблирование, кластеризация, Louvain modularity

DOI: 10.31857/S0235009221010029

Цитирование для раздела "Список литературы": Байков И. И., Семерова Е. А., Курмуков А. И. Метод ансамблирования алгоритмов кластеризации для решения задачи совместной кластеризации. Сенсорные системы. 2021. Т. 35. № 1. С. 43–49. doi: 10.31857/S0235009221010029
Цитирование для раздела "References": Baikov I. I., Semerova E. A., Kurmukov A. I. Metod ansamblirovaniya algoritmov klasterizatsii dlya resheniya zadachi sovmestnoi klasterizatsii [General ensemble method for multi-view clustering]. Sensornye sistemy [Sensory systems]. 2021. V. 35(1). P. 43–49 (in Russian). doi: 10.31857/S0235009221010029

Список литературы:

  • Blondel V.D., Guillaume J.L., Lambiotte R., Lefebvre E. Fast unfolding of communities in large networks. Journal of statistical mechanics: theory and experiment. 2008. V. 10. DOI: P10008.
  • Bickel S., Scheffer T. Multi-view clustering. ICDM. 2004. V. 4. P. 19–26.
  • Chao G., Sun S., Bi J. A survey on multi-view clustering. URL: https://arxiv.org/abs/1712.06246. 2017.
  • Hubert L., Arabie P. Comparing partitions. Journal of clasification. 1985. V. 2(1). P. 193–218.
  • Kurmukov A., Dodonova Y., Zhukov L. Classification of normal and pathological brain networks based on similarity in graph partitions. 16th International Conference on Data Mining Workshops (ICDMW). 2016. P. 107–112.
  • Kurmukov A., Mussabaeva A., Denisova Y., Moyer D., Jhanshad N., Thompson P.M., Gutman B.A. Optimizing Connectivity-Driven Brain Parcellation Using Ensemble Clustering. Brain Connectivity. 2020. V. 10(4). P. 183–194.
  • Lancichinetti A., Fortunato S. Consensus clustering in complex networks. Scientific reports. 2012. V. 2. P. 336.
  • Newman M.E. Mixing patterns in networks. Physical Review. 2003. V. 67. DOI: 026126
  • Newman M.E. Modularity and community structure in networks. Proceedings of the National Academy of Sciences. 2006. V. 103 (23). P. 8577–8582.
  • Raghavan U.N., Albert R., Kumara S. Near linear time algorithm to detect community structures in large-scale networks. Physical Review. 2007. V. 76 (3). P. 036106.
  • Desikan R.S., Se ́gonne F., Fischl B., Quinn B.T., Dickerson B.C., Blacker D., Buckner R.L., Dale A.M., Maguire R.P., Hyman B.T., Albert M.S., Killiany R.J. An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest. NeuroImage. 2006. V. 31. P. 968–980.
  • Strehl A., Ghosh J. Cluster ensembles – a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research. 2002. V. 3. P. 583–617.
  • Mueller S.G., Weiner M.W., Thal L.J., Petersen R.C., Jack C.R., Jagust W., Beckett L. Ways toward an early diagnosis in Alzheimer’s disease: the Alzheimer’s Disease Neuroimaging Initiative (ADNI). Alzheimer’s & Dementia. 2005. V. 1 (1). P. 55–66.
  • Traag V.A., Waltman L., van Eck N.J. From Louvain to Leiden: guaranteeing well-connected communities. Scientific reports. 2019. V. 9 (1). P. 1–12.
  • Yang Y., Wang H. Multi-view clustering: A survey. Big Data Mining and Analytics. 2018. V. 1 (2). P. 83–107.