Optimisation proximale pour le subspace clustering flou

Résumé : Cet article présente un algorithme de subspace clustering , dont la fonction de coût similaire aux c-moyennes floues fait apparaître une distance euclidienne pondérée et un terme de pénalité non-différentiable. Cet algorithme s'appuie sur le cadre théorique de l'optimisation par des-cente proximale qui permet d'établir l'expression d'un terme de mise à jour pour cette fonction de coût. Un nou-vel algorithme, nommé PFSCM, est présenté, qui combine descente proximale et optimisation alternée. Les ex-périences réalisées sur des données artificielles montrent la pertinence de l'approche considérée.
Mots-clés : Clustering optimisation
Document type :
Conference papers
Complete list of metadatas

Cited literature [12 references]  Display  Hide  Download

https://hal.sorbonne-universite.fr/hal-01364699
Contributor : Arthur Guillon <>
Submitted on : Monday, September 12, 2016 - 5:31:33 PM
Last modification on : Thursday, March 21, 2019 - 1:20:42 PM
Long-term archiving on : Tuesday, December 13, 2016 - 4:02:00 PM

File

lfa-version4.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-01364699, version 1

Citation

Arthur Guillon, Marie-Jeanne Lesot, Christophe Marsala. Optimisation proximale pour le subspace clustering flou. 25e Rencontres francophones sur la Logique Floue et ses Applications, Nov 2016, La Rochelle, France. ⟨hal-01364699⟩

Share

Metrics

Record views

251

Files downloads

256