However, being completely unsupervi

However, being completely unsupervised, its performance suffers
when the original distance metric fails to capture the underlying cluster structure. Despite recent advances in semi-supervised
clustering methods, there has been little effort towards incorporating supervision into mean shift. We propose a semi-supervised
framework for kernel mean shift clustering (SKMS) that uses only pairwise constraints to guide the clustering procedure. The
points are first mapped to a high-dimensional kernel space where the constraints are imposed by a linear transformation of
the mapped points. This is achieved by modifying the initial kernel matrix by minimizing a log det divergence-based objective
function. We show the advantages of SKMS by evaluating its performance on various synthetic and real datasets while comparing
with state-of-the-art semi-supervised clustering algorithms.

Kết quả (Việt) 1:

Tuy nhiên, hiệu quả của nó đang được hoàn toàn unsupervised, bịKhi các số liệu khoảng cách ban đầu không nắm bắt cấu trúc cơ bản của cụm. Mặc dù các tiến bộ gần đây trong bán giám sátclustering phương pháp, đã có ít nỗ lực hướng tới kết hợp giám sát thành có nghĩa là thay đổi. Chúng tôi đề xuất một giám sát bánkhuôn khổ cho hạt nhân có nghĩa là thay đổi cụm (SKMS) sử dụng cử chỉ khó khăn để hướng dẫn các thủ tục kết cụm. Cácđiểm đầu tiên được ánh xạ tới một không gian hạt nhân chiều cao nơi những hạn chế được áp dụng bởi một biến đổi tuyến tính củanhững điểm được ánh xạ. Điều này đạt được bằng cách sửa đổi ma trận hạt nhân ban đầu bằng cách giảm thiểu các mục tiêu phân kỳ dựa trên một đăng nhập detchức năng. Chúng tôi hiển thị các lợi thế của SKMS bằng cách đánh giá hiệu quả của nó trên các datasets tổng hợp và thực tế trong khi so sánhvới nhà nước-of-the-nghệ thuật bán giám sát kết cụm thuật toán.

Kết quả (Việt) 2:

Tuy nhiên, là hoàn toàn không có giám sát, hiệu quả của nó bị
khi metric khoảng cách ban đầu không thể diễn tả cấu trúc cụm nằm bên dưới. Mặc dù có những tiến bộ gần đây trong bán giám sát
phương pháp clustering, đã có ít nỗ lực hướng tới việc kết hợp giám sát vào sự thay đổi có ý nghĩa. Chúng tôi đề xuất một semi-giám sát
khuôn khổ cho kernel có nghĩa là chuyển clustering (SKMS) mà chỉ sử dụng hạn chế cặp để hướng dẫn các thủ tục clustering. Các
điểm đầu tiên được ánh xạ tới một không gian hạt nhân cao-chiều, nơi những hạn chế được áp đặt bởi một biến đổi tuyến tính của
các điểm trên bản đồ. Điều này đạt được bằng cách sửa đổi ma trận hạt nhân ban đầu bằng cách giảm thiểu một mục tiêu log det phân kỳ dựa trên
chức năng. Chúng tôi thấy những lợi thế của SKMS bằng cách đánh giá hiệu quả của nó trên nhiều bộ dữ liệu tổng hợp và thực sự trong khi so sánh
với nhà nước-of-the-nghệ thuật thuật toán phân cụm bán giám sát.