論文の概要: Joint Featurewise Weighting and Lobal Structure Learning for Multi-view Subspace Clustering

• arxiv url: http://arxiv.org/abs/2007.12829v1
• Date: Sat, 25 Jul 2020 01:57:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 00:34:25.485574
• Title: Joint Featurewise Weighting and Lobal Structure Learning for Multi-view Subspace Clustering
• Title（参考訳）: 多視点サブスペースクラスタリングのための特徴量重み付けとロバル構造学習
• Authors: Shi-Xun Lina, Guo Zhongb, Ting Shu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.093890460224435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering integrates multiple feature sets, which reveal distinct aspects of the data and provide complementary information to each other, to improve the clustering performance. It remains challenging to effectively exploit complementary information across multiple views since the original data often contain noise and are highly redundant. Moreover, most existing multi-view clustering methods only aim to explore the consistency of all views while ignoring the local structure of each view. However, it is necessary to take the local structure of each view into consideration, because different views would present different geometric structures while admitting the same cluster structure. To address the above issues, we propose a novel multi-view subspace clustering method via simultaneously assigning weights for different features and capturing local information of data in view-specific self-representation feature spaces. Especially, a common cluster structure regularization is adopted to guarantee consistency among different views. An efficient algorithm based on an augmented Lagrangian multiplier is also developed to solve the associated optimization problem. Experiments conducted on several benchmark datasets demonstrate that the proposed method achieves state-of-the-art performance. We provide the Matlab code on https://github.com/Ekin102003/JFLMSC.
• Abstract（参考訳）: 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、クラスタリング性能を改善するために相互に補完情報を提供する。 元のデータがしばしばノイズを含み、非常に冗長であるため、複数のビューにわたる補完情報を効果的に活用することは依然として困難である。 さらに、既存のマルチビュークラスタリング手法は、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。 しかし、異なる視点が同じクラスター構造を許容しながら異なる幾何学的構造を示すため、それぞれの視点の局所構造を考慮に入れる必要がある。 そこで本研究では,異なる特徴量に対する重み付けと,ビュー固有の自己表現特徴空間におけるデータの局所情報取得を同時に行う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。 特に、異なるビュー間の一貫性を保証するために、共通のクラスタ構造正規化が採用されている。 拡張ラグランジアン乗算器に基づく効率的なアルゴリズムも開発し、関連する最適化問題を解く。 いくつかのベンチマークデータセットで行った実験により,提案手法が最先端の性能を実現することが示された。 私たちはMatlabのコードをhttps://github.com/Ekin102003/JFLMSCで提供します。

関連論文リスト

• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• 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 [46.86939432189035]
  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)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
  本稿では,新しいアンカーグラフ学習フレームワークを提案する。 ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。 提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
  論文  参考訳（メタデータ） (2023-08-31T08:30:26Z)
• 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)
• Deep Incomplete Multi-View Multiple Clusterings [41.43164409639238]
  データビューと複数の共有表現を同時に補完する、深い不完全なマルチビュー多重クラスタリングフレームワークを導入する。 ベンチマークデータセットの実験では、DiMVMCは、多様性と品質の高い複数のクラスタリングの生成において、最先端の競合よりも優れていることが確認されている。
  論文  参考訳（メタデータ） (2020-10-02T08:01:24Z)
• 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。