論文の概要: Consistent and Complementary Graph Regularized Multi-view Subspace Clustering

• arxiv url: http://arxiv.org/abs/2004.03106v1
• Date: Tue, 7 Apr 2020 03:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 23:05:44.129188
• Title: Consistent and Complementary Graph Regularized Multi-view Subspace Clustering
• Title（参考訳）: Consistent and Complementary Graph Regularized Multi-view Subspace Clustering
• Authors: Qinghai Zheng, Jihua Zhu, Zhongyu Li, Shanmin Pang, Jun Wang, Lei Chen
• Abstract要約: 本研究では,複数のビューが一貫した情報を含み,それぞれのビューが相補的な情報を含むマルチビュークラスタリングの問題について検討する。 本稿では、一貫したグラフ正規化マルチビューサブスペースクラスタリング(GRMSC)を含む手法を提案する。 目的関数は多視点クラスタリングを実現するために拡張ラグランジアン乗算法により最適化される。
• 参考スコア（独自算出の注目度）: 31.187031653119025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study investigates the problem of multi-view clustering, where multiple views contain consistent information and each view also includes complementary information. Exploration of all information is crucial for good multi-view clustering. However, most traditional methods blindly or crudely combine multiple views for clustering and are unable to fully exploit the valuable information. Therefore, we propose a method that involves consistent and complementary graph-regularized multi-view subspace clustering (GRMSC), which simultaneously integrates a consistent graph regularizer with a complementary graph regularizer into the objective function. In particular, the consistent graph regularizer learns the intrinsic affinity relationship of data points shared by all views. The complementary graph regularizer investigates the specific information of multiple views. It is noteworthy that the consistent and complementary regularizers are formulated by two different graphs constructed from the first-order proximity and second-order proximity of multiple views, respectively. The objective function is optimized by the augmented Lagrangian multiplier method in order to achieve multi-view clustering. Extensive experiments on six benchmark datasets serve to validate the effectiveness of the proposed method over other state-of-the-art multi-view clustering methods.
• Abstract（参考訳）: 本研究では,複数のビューが一貫した情報を持ち,各ビューが補完的情報を含むマルチビュークラスタリングの問題を検討する。 すべての情報の探索は、優れたマルチビュークラスタリングに不可欠である。 しかし、従来の手法のほとんどは、クラスタリングのための複数のビューを盲目的または粗雑に組み合わせており、貴重な情報を十分に活用できない。 そこで本稿では,グラフ正規化器と補完グラフ正規化器を同時に対象関数に統合する,一貫性のあるグラフ正規化マルチビューサブスペースクラスタリング(GRMSC)を提案する。 特に、一貫性のあるグラフ正規化器は、すべてのビューで共有されるデータポイントの固有の親和関係を学習する。 補グラフ正規化器は、複数のビューの特定の情報を調べる。 一貫性と相補的な正則化器はそれぞれ、複数のビューの1階近接と2階近接から構築された2つの異なるグラフによって定式化されていることは注目に値する。 目的関数は拡張ラグランジアン乗算法によって最適化され,マルチビュークラスタリングを実現する。 6つのベンチマークデータセットに対する大規模な実験は、他の最先端のマルチビュークラスタリング手法よりも提案手法の有効性を検証するのに役立つ。

関連論文リスト

• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)
• Unpaired Multi-View Graph Clustering with Cross-View Structure Matching [39.310384044597065]
  既存のMVCメソッドの多くは、マルチビューデータが完全にペアリングされていると仮定している。 データ通信は、データ破損やセンサーの違いにより、現実世界のアプリケーションでは不完全であることが多い。 本稿では,クロスビュー構造マッチングを用いたパラメータフリーグラフクラスタリングフレームワークUnpaired Multi-view Graph Clusteringフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-07T09:29:44Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Consistent Multiple Graph Embedding for Multi-View Clustering [41.17336912278538]
  Consistent Multiple Graph Embedding Clustering framework (CMGEC) を提案する。 具体的には,マルチビューデータの補完情報を柔軟に符号化するマルチグラフオートエンコーダを設計する。 各ビューにおける隣り合う特徴の類似性を維持するための学習共通表現を導くため、MMIM(Multi-view Mutual Information Maximization Module)を導入する。
  論文  参考訳（メタデータ） (2021-05-11T09:08:22Z)
• Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
  グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。 本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
  論文  参考訳（メタデータ） (2020-08-24T06:11:29Z)
• 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)
• Joint Featurewise Weighting and Lobal Structure Learning for Multi-view Subspace Clustering [3.093890460224435]
  マルチビュークラスタリングは複数の機能セットを統合し、データの異なる側面を明らかにし、相互に補完情報を提供する。 既存のマルチビュークラスタリング手法の多くは、各ビューの局所構造を無視しながら、すべてのビューの一貫性を探求することのみを目的としている。 本稿では、異なる特徴に対する重みを同時に割り当て、ビュー固有の自己表現特徴空間におけるデータの局所的情報を取得することで、新しいマルチビューサブスペースクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-25T01:57:57Z)
• Generative Partial Multi-View Clustering [133.36721417531734]
  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。
  論文  参考訳（メタデータ） (2020-03-29T17:48:27Z)

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。