Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Rozin, Bionda | - |
Autor(es): dc.creator | Pereira-Ferrero, Vanessa Helena | - |
Autor(es): dc.creator | Lopes, Leonardo Tadeu | - |
Autor(es): dc.creator | Guimarães Pedronette, Daniel Carlos | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:51:09Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:51:09Z | - |
Data de envio: dc.date.issued | 2022-04-29 | - |
Data de envio: dc.date.issued | 2022-04-29 | - |
Data de envio: dc.date.issued | 2021-10-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.ins.2021.08.080 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/229448 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/229448 | - |
Descrição: dc.description | The relevance of diversified data preprocessing approaches for improving clustering tasks is remarkable. Once the effectiveness is direct impacted by feature representation and similarity definition, considerable attention from the research community has been drawn to this direction. More recently, rank-based manifold learning methods have been successfully explored in unsupervised similarity learning for retrieval scenarios. Such methods consider the underlying dataset manifold to compute a new similarity measure, which increases the separability of data from distinct classes. In this paper, a rank-based framework for clustering tasks is proposed based on contemporary manifold learning methods. A flexible model is employed, where ranking structures are the representation of similarity information among data samples. Subsequently, is made the exploration of unsupervised similarity learning. It is also possible to compute more effective similarity measures and clustering results. To assess the effectiveness of the proposed framework was conducted a comprehensive experimental evaluation. The tests involved various public image datasets, considering different manifold learning and clustering methods. The quantitative experiments take into consideration comparisons with traditional and recent state-of-the-art clustering approaches. | - |
Descrição: dc.description | Department of Statistics Applied Mathematics and Computing (DEMAC) São Paulo State University (UNESP) | - |
Descrição: dc.description | Department of Statistics Applied Mathematics and Computing (DEMAC) São Paulo State University (UNESP) | - |
Formato: dc.format | 202-220 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Information Sciences | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Clustering | - |
Palavras-chave: dc.subject | Manifold learning | - |
Palavras-chave: dc.subject | Ranking | - |
Palavras-chave: dc.subject | Similarity learning | - |
Título: dc.title | A rank-based framework through manifold learning for improved clustering tasks | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: