Generalized Clustering via Kernel Embeddings

Jegelka, S; Gretton, A; Schölkopf, B; Sriperumbudur, BK; von Luxburg, U; Mertsching,; B.,; Hund, M.; Aziz, Z.

doi:10.1007/978-3-642-04617-9_19

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Bitte beachten Sie, dass eine neuere Version dieses Datensatzes verfügbar ist:
https://pure.mpg.de/pubman/item/item_1789142_3

DetailsÜbersicht

Freigegeben

Konferenzbeitrag

Generalized Clustering via Kernel Embeddings

MPG-Autoren

/persons/resource/persons83994

Jegelka, S
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;

/persons/resource/persons83946

Gretton, A
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;

/persons/resource/persons84193

Schölkopf, B
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;

/persons/resource/persons84233

Sriperumbudur, BK
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;
Dept. Empirical Inference, Max Planck Institute for Intelligent System, Max Planck Society;

/persons/resource/persons76237

von Luxburg, U
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;

Externe Ressourcen

Es sind keine externen Ressourcen hinterlegt

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Es sind keine frei zugänglichen Volltexte in PuRe verfügbar

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Jegelka, S., Gretton, A., Schölkopf, B., Sriperumbudur, B., & von Luxburg, U. (2009). Generalized Clustering via Kernel Embeddings. KI 2009: Advances in Artificial Intelligence, 144-152.

Zitierlink: https://hdl.handle.net/11858/00-001M-0000-0013-C309-E

Zusammenfassung

We generalize traditional goals of clustering towards distinguishing components in a non-parametric mixture model. The clusters are not necessarily based on point locations, but on higher order criteria. This framework can be implemented by embedding probability distributions in a Hilbert space. The corresponding clustering objective is very general and relates to a range of common clustering concepts.