論文の概要: Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from
Cross View and Each View
- arxiv url: http://arxiv.org/abs/2008.09990v1
- Date: Sun, 23 Aug 2020 08:25:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 02:46:27.152974
- Title: Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from
Cross View and Each View
- Title（参考訳）: クロスビューと各ビューからのハイブリッド知識の絞り込みによる教師なしマルチビュークラスタリング
- Authors: Junpeng Tan, Yukai Shi, Zhijing Yang, Caizhen Wen, Liang Lin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 68.88732535086338
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-view clustering methods have been a focus in recent years because of
their superiority in clustering performance. However, typical traditional
multi-view clustering algorithms still have shortcomings in some aspects, such
as removal of redundant information, utilization of various views and fusion of
multi-view features. In view of these problems, this paper proposes a new
multi-view clustering method, low-rank subspace multi-view clustering based on
adaptive graph regularization. We construct two new data matrix decomposition
models into a unified optimization model. In this framework, we address the
significance of the common knowledge shared by the cross view and the unique
knowledge of each view by presenting new low-rank and sparse constraints on the
sparse subspace matrix. To ensure that we achieve effective sparse
representation and clustering performance on the original data matrix, adaptive
graph regularization and unsupervised clustering constraints are also
incorporated in the proposed model to preserve the internal structural features
of the data. Finally, the proposed method is compared with several
state-of-the-art algorithms. Experimental results for five widely used
multi-view benchmarks show that our proposed algorithm surpasses other
state-of-the-art methods by a clear margin.
- Abstract（参考訳）: 近年,クラスタリング性能が優れているため,マルチビュークラスタリング手法が注目されている。
しかし、従来のマルチビュークラスタリングアルゴリズムには、冗長な情報の除去、様々なビューの利用、マルチビュー機能の融合など、いくつかの面ではまだ欠点がある。
そこで本研究では,適応グラフ正規化に基づく新しいマルチビュークラスタリング手法である低ランクサブスペースマルチビュークラスタリングを提案する。
2つの新しいデータ行列分解モデルを統一最適化モデルとして構築する。
本稿では,クロスビューで共有される共通知識と各ビューのユニークな知識の意義を,スパース部分空間行列に新しい低ランク制約とスパース制約を提示することによって解決する。
元のデータ行列上で効果的なスパース表現とクラスタリング性能を実現するため,提案モデルには適応グラフ正規化と教師なしクラスタリング制約も組み込まれ,データの内部構造的特徴を保っている。
最後に,提案手法を最先端アルゴリズムと比較する。
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。
関連論文リスト
- 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) - One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。
そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
論文 参考訳（メタデータ） (2023-06-08T02:52:24Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳（メタデータ） (2023-03-29T14:54:19Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - 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) - Multi-view Clustering with Deep Matrix Factorization and Global Graph
Refinement [37.34296330445708]
マルチビュークラスタリングは、機械学習とデータマイニングにおいて重要かつ困難なタスクです。
本稿では,ディープセミnmfとグローバルグラフリファインメント(mvc-dmf-ggr)を用いたマルチビュークラスタリング手法を提案する。
論文 参考訳（メタデータ） (2021-05-01T13:40:20Z) - Discriminatively Constrained Semi-supervised Multi-view Nonnegative
Matrix Factorization with Graph Regularization [10.978930376656423]
差別的制約付きセミスーパービジョン・マルチビュー非負行列因子化(DCS2MVNMF)を提案する。
具体的には、各ビューの補助マトリックスに対して差別的重み付け行列を導入し、クラス間の区別を高める。
さらに,複数のビューを整列し,対応する反復最適化スキームを完成させるために,新しい機能スケール正規化戦略を設計する。
論文 参考訳（メタデータ） (2020-10-26T02:58:11Z) - 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。