Confidence-weighted safe semi-supervised clustering

Gan, Haiyong; Yi, Fan; Luo, Zhizeng; Huang, Rui; Zhi, Yang

doi:10.1016/j.engappai.2019.02.007

Cited by 24 publications

(19 citation statements)

References 21 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Ngoài ra, phân cụm bán giám sát mờ an toàn cũng đã được sử dụng để giải quyết vấn đề phân cụm dữ liệu theo độ tin cậy. Ý tưởng chính của cách tiếp cận này như được mô tả trong nghiên cứu của Gan và đồng nghiệp [8]- [11] bao gồm 2 bước chính: i) tính toán trọng số tin cậy của dữ liệu được gán nhãn bằng một đồ thị cục bộ; ii) xây dựng và xác định các trung tâm cụm và các giá trị phần tử mờ theo dữ liệu được gán nhãn có trọng số tin cậy cao. Một trong những cách tiếp cận khác đó là sử dụng tập mờ viễn cảnh [12], là một sự khái quát và mở rộng của tập mờ truyền thống với tập mờ trực cảm.…”

Section: Hình 1 Phân Cụm Dữ Liệu Theo độ Tin Cậyunclassified

See 1 more Smart Citation

Một Phương Pháp Phân Vùng Dữ Liệu Theo Độ Tin Cậy Dựa Trên Phân Cụm Mờ Viễn Cảnh

Huân¹,

Cành²,

Thông³

2022

TNUJST

View full text Add to dashboard Cite

Phân cụm dữ liệu và các lĩnh vực ứng dụng là một trong những hướng nghiên cứu nhận được nhiều sự quan tâm từ các nhà khoa học trong những năm gần đây. Trong quá trình thu thập dữ liệu, có thể một số dữ liệu có độ tin cậy thấp hơn (sai giá trị, thuộc tính không chính xác, v.v.) tồn tại trong toàn bộ tập dữ liệu. Điều này sẽ làm giảm hiệu suất phân cụm với các nhiễu và ngoại lệ có thể xảy ra. Một số hướng nghiên cứu đã được đưa ra để giải quyết vấn đề này. Thứ nhất, đối với các dữ liệu sai giá trị, sai thuộc tính có thể sử dụng các phương pháp phân cụm bán giám sát mờ an toàn. Thứ hai, đối với các điểm dữ liệu nhiễu có thể sử dụng khái niệm tập mờ viễn cảnh, cho dù đã có một số nghiên cứu liên quan nhằm tăng chất lượng phân cụm, tuy nhiên chỉ dừng lại ở tập mờ truyền thống. Trong bài báo này, chúng tôi đề xuất một phương pháp mới trong phân vùng dữ liệu theo độ tin cậy dựa trên phân cụm mờ viễn cảnh có tên gọi PT2FCM. Thuật toán đề xuất được so sánh thực nghiệm với một số phương pháp liên quan như phân cụm bán giám sát mờ trên tập mờ viễn cảnh (FCPFS), phân cụm bán giám sát mờ an toàn (CS3FCM), v.v. Các kết quả thực nghiệm cho thấy, phương pháp đề xuất có chất lượng phân cụm tốt so với các phương pháp liên quan trong cùng tập dữ liệu.

show abstract

Section: Hình 1 Phân Cụm Dữ Liệu Theo độ Tin Cậyunclassified

“…Các tiêu chí để so sánh, đánh giá giữa các thuật toán như sau: i). Độ chính xác phân cụm: Giá trị cao hơn của độ chính xác phân cụm CA (Clustering Accuracy) [8] thể hiện cho hiệu suất phân cụm tốt hơn. ii).…”

unclassified

Một Phương Pháp Phân Vùng Dữ Liệu Theo Độ Tin Cậy Dựa Trên Phân Cụm Mờ Viễn Cảnh

Huân¹,

Cành²,

Thông³

2022

TNUJST

View full text Add to dashboard Cite

show abstract

“…In semi-supervised fuzzy clustering algorithm, when a part of data is labeled, some of labeled data could be clustered incorrectly. To deal with this issue, safe semi-supervised fuzzy clustering method (CS3FCM) is proposed by Gan [13]. CS3FCM is based on the confidence-weight of each sample to get high clustering performance.…”

Section: Introductionmentioning

confidence: 99%

“…The main idea to solve the data partition with confidence problem as depicted in the researches of Gan et al [13,[20][21] lies in two principal steps: i) to compute the confidence weights of labeled data with a local graph W; ii) to formulate and determine the cluster centers V and fuzzy membership values N c according to the labeled data having high confidence weights. The data used in Confidence-weighted safe semi-supervised clustering (CS3FCM) [13] include both of labeled data X = [x 1 ,..., x l ] and unlabeled data X u = [x l+1 ,..., x n ]. The different data elements have different effects to clustering performance.…”

Section: Introductionmentioning

confidence: 99%

“…In this paper, an improvement algorithm for the data partition with confidence problem using multiple fuzzifiers named as TS3MFCM is introduced. This method reconciles labeled data using modified FCM with the weights of labeled and unlabeled data neighbors instead of working on the whole dataset as in [13]. The differences of TS3MFCM comparing with CS3FCM and MC-FCM are given as below: i.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

An Improvement of Trusted Safe Semi-Supervised Fuzzy Clustering Method With Multiple Fuzzifiers

Tuấn

Huan²,

Thong³

et al. 2022

JCC

View full text Add to dashboard Cite

Data clustering are applied in various fields such as document classification, dental X-ray image segmentation, medical image segmentation, etc. Especially, clustering algorithms are used in satellite image processing in many important application areas, including classification of vehicles participating in traffic, logistics, classification of satellite images to forecast droughts, floods, forest fire, etc. In the process of collecting satellite image data, there are a number of factors such as clouds, weather, ... that can affect to image quality. Images with low quality will make the performance of clustering algorithms decrease. Apart from that, the parameter of fuzzification in clustering algorithms also affects to clustering results. In the past, clustering methods often used the same fuzzification parameter, m = 2. But in practice, each element should have its own parameter m. Therefore, determining the parameters m is necessary to increase fuzzy clustering performance. In this research, an improvement algorithm for the data partition with confidence problem and multi fuzzifier named as TS3MFCM is introduced. The proposed method consists of three steps namely as “FCM for labeled data”, “Data transformation”, and “Semi-supervised fuzzy clustering with multiple point fuzzifiers”. The proposed TS3MFCM method is implemented and experimentally compared against with the Confidence-weighted Safe Semi-Supervised Clustering (CS3FCM). The performance of proposed method is better than selected methods in both computational time and clustering accuracy on the same datasets

show abstract

Enhancing Wildfire Detection Using Semi-supervised Fuzzy Clustering on Satellite Imagery

Huan,

Canh,

Thai

et al. 2023

Advances in Information and Communication Technology

View full text Add to dashboard Cite

Confidence-weighted safe semi-supervised clustering

Cited by 24 publications

References 21 publications

Một Phương Pháp Phân Vùng Dữ Liệu Theo Độ Tin Cậy Dựa Trên Phân Cụm Mờ Viễn Cảnh

Một Phương Pháp Phân Vùng Dữ Liệu Theo Độ Tin Cậy Dựa Trên Phân Cụm Mờ Viễn Cảnh

An Improvement of Trusted Safe Semi-Supervised Fuzzy Clustering Method With Multiple Fuzzifiers

Enhancing Wildfire Detection Using Semi-supervised Fuzzy Clustering on Satellite Imagery

Contact Info

Product

Resources

About