論文の概要: Deep Incomplete Multi-View Multiple Clusterings
- arxiv url: http://arxiv.org/abs/2010.02024v1
- Date: Fri, 2 Oct 2020 08:01:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 00:58:54.876908
- Title: Deep Incomplete Multi-View Multiple Clusterings
- Title(参考訳): ディープ不完全マルチビュー多重クラスタリング
- Authors: Shaowei Wei, Jun Wang, Guoxian Yu, Carlotta Domeniconi, Xiangliang
Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 41.43164409639238
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-view clustering aims at exploiting information from multiple
heterogeneous views to promote clustering. Most previous works search for only
one optimal clustering based on the predefined clustering criterion, but
devising such a criterion that captures what users need is difficult. Due to
the multiplicity of multi-view data, we can have meaningful alternative
clusterings. In addition, the incomplete multi-view data problem is ubiquitous
in real world but has not been studied for multiple clusterings. To address
these issues, we introduce a deep incomplete multi-view multiple clusterings
(DiMVMC) framework, which achieves the completion of data view and multiple
shared representations simultaneously by optimizing multiple groups of decoder
deep networks. In addition, it minimizes a redundancy term to simultaneously
%uses Hilbert-Schmidt Independence Criterion (HSIC) to control the diversity
among these representations and among parameters of different networks. Next,
it generates an individual clustering from each of these shared
representations. Experiments on benchmark datasets confirm that DiMVMC
outperforms the state-of-the-art competitors in generating multiple clusterings
with high diversity and quality.
- Abstract(参考訳): マルチビュークラスタリングは、複数の異種ビューからの情報を活用してクラスタリングを促進することを目的としている。
これまでのほとんどの作業では,事前に定義されたクラスタリング基準に基づいて,ひとつの最適なクラスタリングのみを検索していました。
マルチビューデータの多重性のため、意味のある代替クラスタリングが可能である。
さらに、不完全なマルチビューデータ問題は実世界ではユビキタスであるが、複数のクラスタリングでは研究されていない。
これらの問題に対処するために,複数のデコーダ深層ネットワークを最適化し,データビューと複数の共有表現を同時に完了させる,深層不完全なマルチビュークラスタリング(DiMVMC)フレームワークを導入する。
さらに、冗長項を最小化して、Hilbert-Schmidt Independence Criterion (HSIC) を同時に使用し、これらの表現と異なるネットワークのパラメータ間の多様性を制御する。
次に、これらの共有表現から個々のクラスタリングを生成する。
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ます。
関連論文リスト
- Federated Incomplete Multi-View Clustering with Heterogeneous Graph Neural Networks [21.710283538891968]
フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータを使用したグローバルクラスタリングモデルを開発する可能性を提供する。
現在の手法は、ラベル情報がないことと、データプライバシの重要性が最重要視されているため、課題に直面している。
ヘテロジニアスグラフニューラルネットワーク(FIM-GNN)を用いたフェデレーション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。
論文 参考訳(メタデータ) (2024-06-12T07:16:00Z) - 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) - Federated Deep Multi-View Clustering with Global Self-Supervision [51.639891178519136]
フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータからグローバルクラスタリングモデルを学習する可能性がある。
この設定では、ラベル情報は未知であり、データのプライバシを保持する必要がある。
本稿では,複数のクライアントから補完的なクラスタ構造をマイニングできる,新しい多視点クラスタリング手法を提案する。
論文 参考訳(メタデータ) (2023-09-24T17:07:01Z) - 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) - 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 Multi-View Semi-Supervised Clustering with Sample Pairwise
Constraints [10.226754903113164]
本稿では,ネットワークファインタニングにおける3種類の損失を協調的に最適化するDMSC法を提案する。
提案手法は,最先端のマルチビューやシングルビューの競合よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-10T08:51:56Z) - Fast Multi-view Clustering via Ensembles: Towards Scalability,
Superiority, and Simplicity [63.85428043085567]
本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。
ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。
FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
論文 参考訳(メタデータ) (2022-03-22T09:51:24Z) - Multi-view Hierarchical Clustering [12.01031088378791]
マルチビュークラスタリングは、マルチビューデータによるクラスタリング結果の促進を目的としている。
複数レベルの粒度でマルチビューデータを分割するマルチビュー階層クラスタリング(MHC)を提案する。
MHCはパラメータ選択なしで現実世界のアプリケーションに容易に効果的に利用することができる。
論文 参考訳(メタデータ) (2020-10-15T07:46:18Z) - 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)
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。