論文の概要: Agglomerative Neural Networks for Multi-view Clustering
- arxiv url: http://arxiv.org/abs/2005.05556v1
- Date: Tue, 12 May 2020 05:39:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 18:24:42.468850
- Title: Agglomerative Neural Networks for Multi-view Clustering
- Title(参考訳): 多視点クラスタリングのための凝集型ニューラルネットワーク
- Authors: Zhe Liu, Yun Li, Lina Yao, Xianzhi Wang and Feiping Nie
- Abstract要約: 本稿では,最適コンセンサスを近似する凝集分析法を提案する。
本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。
4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
- 参考スコア(独自算出の注目度): 109.55325971050154
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional multi-view clustering methods seek for a view consensus through
minimizing the pairwise discrepancy between the consensus and subviews.
However, the pairwise comparison cannot portray the inter-view relationship
precisely if some of the subviews can be further agglomerated. To address the
above challenge, we propose the agglomerative analysis to approximate the
optimal consensus view, thereby describing the subview relationship within a
view structure. We present Agglomerative Neural Network (ANN) based on
Constrained Laplacian Rank to cluster multi-view data directly while avoiding a
dedicated postprocessing step (e.g., using K-means). We further extend ANN with
learnable data space to handle data of complex scenarios. Our evaluations
against several state-of-the-art multi-view clustering approaches on four
popular datasets show the promising view-consensus analysis ability of ANN. We
further demonstrate ANN's capability in analyzing complex view structures and
extensibility in our case study and explain its robustness and effectiveness of
data-driven modifications.
- Abstract(参考訳): 従来のマルチビュークラスタリング手法は、コンセンサスとサブビューの相互差を最小限にして、ビューコンセンサスを求める。
しかし、このペアワイズ比較は、サブビューの一部がさらに集約された場合、ビュー間の関係を正確に表現することはできない。
上記の課題に対処するために,最適コンセンサスビューを近似する凝集解析を提案し,ビュー構造内のサブビュー関係を記述する。
本稿では,制約付きラプラシアンランクに基づくagglomerative neural network(ann)を,専用のポストプロセッシングステップ(k-meansなど)を避けつつ,マルチビューデータをクラスタ化する。
さらに、複雑なシナリオのデータを扱うために、ANNを学習可能なデータ空間に拡張します。
4つの人気データセットにおける最先端のマルチビュークラスタリングアプローチに対する評価結果から, annのビュー・コンセンサス解析能力が示唆された。
さらに,ANNが複雑なビュー構造と拡張性を解析し,その堅牢性とデータ駆動型修正の有効性を説明する。
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) - Anchor-based Multi-view Subspace Clustering with Hierarchical Feature
Descent [50.283640069991]
マルチビュークラスタリングは、様々なソースから情報を集約する能力によって、注目を集めている。
階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。
提案手法は最先端技術より一貫して優れている。
論文 参考訳(メタデータ) (2023-10-11T03:29:13Z) - 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) - 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) - A Clustering-guided Contrastive Fusion for Multi-view Representation
Learning [7.630965478083513]
本稿では、ビュー固有表現をビュー共通表現に融合する深層融合ネットワークを提案する。
また、ビュー共通表現とビュー固有表現を一致させる非対称なコントラスト戦略を設計する。
不完全な視点では,提案手法は競合相手よりもノイズ干渉に抵抗する。
論文 参考訳(メタデータ) (2022-12-28T07:21:05Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳(メタデータ) (2022-08-25T05:47:39Z) - 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) - Attentive Multi-View Deep Subspace Clustering Net [4.3386084277869505]
我々は,AMVDSN(Attentive Multi-View Deep Subspace Nets)を提案する。
提案手法は,コンセンサス情報とビュー固有情報の両方を明示的に考慮した有意な潜在表現を求める。
7つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2021-12-23T12:57:26Z) - Incomplete Multi-view Clustering via Cross-view Relation Transfer [41.17336912278538]
クロスビュー・リレーション・トランスファーとマルチビュー・フュージョン・ラーニングを組み合わせた,新しい不完全なマルチビュー・クラスタリング・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,提案手法の有効性を実証した。
論文 参考訳(メタデータ) (2021-12-01T14:28:15Z) - 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。