マルチタスククラスタリングとトランスダクティブ転送分類のための共通部分空間の学習

現実世界には、多くの関連するクラスタリングタスクがあります。例えば、異なる大学のウェブページのクラスタリングです。しかし、既存のクラスタリングアプローチは、基盤となる関係を無視し、これらのクラスタリングタスクを個別に、または単純に一緒に扱います。本論文では、複数の関連するクラスタリングタスクを同時に実行し、これらのタスクの関係を利用してクラスタリング性能を向上させる新しいクラスタリングのパラダイム、すなわちマルチタスククラスタリングを研究します。我々は、すべてのタスクが共有する部分空間を学習し、その部分空間を通じてタスクの知識を相互に転送できるようにすることを目指しています。我々のアプローチの目的は2つの部分から構成されています：(1) タスク内クラスタリング：各タスクのデータをその入力空間内で個別にクラスタリングすること；および(2) タスク間クラスタリング：共有部分空間を同時に学習し、すべてのタスクのデータを一緒にクラスタリングすることです。これは交互最小化によって解決できることを示し、その収束が理論的に保証されることを説明します。さらに、一つのタスクのラベルが与えられた場合、我々のマルチタスククラスタリング方法はトランスダクティブ転送分類（別名：クロスドメイン分類、ドメイン適応）に拡張可能であることを示します。いくつかのクロスドメインテキストデータセットにおける実験は、提案するマルチタスククラスタリングが従来のシングルタスククラスタリング方法を大きく上回ることを示しています。また、トランスダクティブ転送分類方法は、既存のいくつかのトランスダクティブ転送分類アプローチと同等であるか、さらに優れていることが分かりました。