論文の概要: Generative Partial Multi-View Clustering
- arxiv url: http://arxiv.org/abs/2003.13088v1
- Date: Sun, 29 Mar 2020 17:48:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 13:49:30.355701
- Title: Generative Partial Multi-View Clustering
- Title（参考訳）: 生成的部分多視点クラスタリング
- Authors: Qianqian Wang, Zhengming Ding, Zhiqiang Tao, Quanxue Gao, Yun Fu
- Abstract要約: 本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。
まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。
第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
- 参考スコア（独自算出の注目度）: 133.36721417531734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, with the rapid development of data collection sources and feature
extraction methods, multi-view data are getting easy to obtain and have
received increasing research attention in recent years, among which, multi-view
clustering (MVC) forms a mainstream research direction and is widely used in
data analysis. However, existing MVC methods mainly assume that each sample
appears in all the views, without considering the incomplete view case due to
data corruption, sensor failure, equipment malfunction, etc. In this study, we
design and build a generative partial multi-view clustering model, named as
GP-MVC, to address the incomplete multi-view problem by explicitly generating
the data of missing views. The main idea of GP-MVC lies at two-fold. First,
multi-view encoder networks are trained to learn common low-dimensional
representations, followed by a clustering layer to capture the consistent
cluster structure across multiple views. Second, view-specific generative
adversarial networks are developed to generate the missing data of one view
conditioning on the shared representation given by other views. These two steps
could be promoted mutually, where learning common representations facilitates
data imputation and the generated data could further explores the view
consistency. Moreover, an weighted adaptive fusion scheme is implemented to
exploit the complementary information among different views. Experimental
results on four benchmark datasets are provided to show the effectiveness of
the proposed GP-MVC over the state-of-the-art methods.
- Abstract（参考訳）: 近年,データ収集源や特徴抽出手法の急速な発展に伴い,多視点データの入手が容易になり,近年研究の注目が高まり,その中でも,多視点クラスタリング(MVC)が主流となる研究方向を形成し,データ解析に広く利用されている。
しかし、既存のMVCメソッドは主に、データ破損、センサーの故障、機器の故障などによる不完全なビューケースを考慮せずに、各サンプルがすべてのビューに現れることを前提にしています。
本研究では,欠落したビューのデータを明示的に生成することにより,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルの設計と構築を行う。
GP-MVCの主な考え方は2倍である。
まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。
第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
これらの2つのステップは相互に促進され、共通表現の学習がデータ計算を促進し、生成されたデータはビューの一貫性をさらに探求する。
さらに、重み付き適応融合スキームを実装して、異なるビュー間の補完情報を利用する。
提案手法に対するGP-MVCの有効性を示すために,4つのベンチマークデータセット実験を行った。
関連論文リスト
- CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳（メタデータ） (2024-03-28T15:45:03Z) - Hierarchical Mutual Information Analysis: Towards Multi-view Clustering
in The Wild [9.380271109354474]
この研究は、データリカバリとアライメントを階層的に一貫した方法で融合し、異なるビュー間の相互情報を最大化するディープMVCフレームワークを提案する。
私たちの知る限りでは、これは欠落したデータ問題と不整合データ問題に異なる学習パラダイムで別々に対処する最初の試みになるかもしれません。
論文 参考訳（メタデータ） (2023-10-28T06:43:57Z) - A Novel Approach for Effective Multi-View Clustering with
Information-Theoretic Perspective [24.630259061774836]
本研究では,多視点クラスタリングフレームワークを情報理論の観点から検討する,SUMVC(Sufficient Multi-View Clustering)と呼ばれる新しい手法を提案する。
まず,変分解析を用いて一貫した情報を生成する,シンプルで信頼性の高いマルチビュークラスタリング手法SCMVCを開発する。
次に、一貫した情報を強化し、ビュー間の不要な情報を最小限に抑えるのに十分な表現境界を提案する。
論文 参考訳（メタデータ） (2023-09-25T09:41:11Z) - Multi-view Fuzzy Representation Learning with Rules based Model [25.997490574254172]
教師なしマルチビュー表現学習は、マルチビューデータをマイニングするために広く研究されている。
本稿では,MVRL_FSを用いた多視点ファジィ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-09-20T17:13:15Z) - GCFAgg: Global and Cross-view Feature Aggregation for Multi-view
Clustering [45.530950521907265]
マルチビュークラスタリングは、教師なしの方法でコンセンサス表現を学習することで、データサンプルをカテゴリに分割することができる。
GggMVC(Global and Cross-view Feature aggregate for Multi-View Clustering)と呼ばれる新しいマルチビュークラスタリングネットワークを提案する。
提案手法は,完全多視点データクラスタリングタスクと不完全多視点データクラスタリングタスクの両方において,優れた性能を実現する。
論文 参考訳（メタデータ） (2023-05-11T13:41:13Z) - Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and
Prototype Alignment [50.82982601256481]
深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。
従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
論文 参考訳（メタデータ） (2023-03-28T02:31:57Z) - Cross-view Graph Contrastive Representation Learning on Partially
Aligned Multi-view Data [52.491074276133325]
マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。
本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。
複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
論文 参考訳（メタデータ） (2022-11-08T09:19:32Z) - Consistency-aware and Inconsistency-aware Graph-based Multi-view
Clustering [20.661025590877774]
グラフベースのマルチビュークラスタリング(GMVC)は、統一行列と呼ばれる共有グラフ行列を活用することにより、最先端のパフォーマンスを実現する。
本稿では,複数ビューにまたがる一貫した不整合部分を含むGMVC法を提案する。
実世界のデータセットの数値評価は,提案したCI-GMVCの有効性を示す。
論文 参考訳（メタデータ） (2020-11-25T06:00:42Z) - V3H: View Variation and View Heredity for Incomplete Multi-view
Clustering [65.29597317608844]
不完全なマルチビュークラスタリングは、これらの不完全なビューを統合する効果的な方法である。
本稿では,この制限を克服するために,新しいビューバージョニング・ビュー・ジェレダリティ・アプローチ(V3H)を提案する。
V3Hは、不完全なマルチビューデータから一貫した情報とユニークな情報を同時に学習するためのクラスタリングアルゴリズムに遺伝学を導入する最初の研究である可能性がある。
論文 参考訳（メタデータ） (2020-11-23T03:24:48Z) - Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from
Cross View and Each View [68.88732535086338]
本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。
5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
論文 参考訳（メタデータ） (2020-08-23T08:25:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。