Communication Dans Un Congrès Année : 2023

Subspace Co-clustering avec Convolution Bilatérale sur Graphe

Chakib Fettal
Lazhar Labiod
Mohamed Nadif

Résumé

Le subspace clustering vise à partitionner un ensemble d’observations de haute dimension. Si cette approche a donné de bons résultats dans le domaine du partitionnement d’images, elle s’est avérée inefficace pour le partitionnement de données sparses comme c’est le cas des données matrices termes-documents. Une extension appropriée de cette approche au co-clustering, particulièrement efficace sur des données sparses, s’avère utile pour traiter de données attribuées. Ainsi, nous traitons le problème de la sparsité par le biais d’une convolution bilatérale sur graphe qui favorise l’effet de regroupement. Nous montrons la compétitivité de notre modèle par rapport à l’état de l’art sur des ensembles de données de graphes attribués en termes de performance et d’efficacité computationnelle.

Fichier principal
Vignette du fichier
EGC SCC/EGC_SCC.pdf (210.76 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-03953133 , version 1 (23-01-2023)

Licence

Identifiants

  • HAL Id : hal-03953133 , version 1

Citer

Chakib Fettal, Lazhar Labiod, Mohamed Nadif. Subspace Co-clustering avec Convolution Bilatérale sur Graphe. Conférence Extraction et Gestion des Connaissances (EGC 2023), Jan 2023, Lyon, France. pp.475-482. ⟨hal-03953133⟩
74 Consultations
96 Téléchargements

Partager

  • More