論文の概要: Multi-view Hierarchical Clustering
- arxiv url: http://arxiv.org/abs/2010.07573v1
- Date: Thu, 15 Oct 2020 07:46:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 04:35:52.998924
- Title: Multi-view Hierarchical Clustering
- Title（参考訳）: マルチビュー階層クラスタリング
- Authors: Qinghai Zheng, Jihua Zhu and Shuangxun Ma
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.01031088378791
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper focuses on the multi-view clustering, which aims to promote
clustering results with multi-view data. Usually, most existing works suffer
from the issues of parameter selection and high computational complexity. To
overcome these limitations, we propose a Multi-view Hierarchical Clustering
(MHC), which partitions multi-view data recursively at multiple levels of
granularity. Specifically, MHC consists of two important components: the cosine
distance integration (CDI) and the nearest neighbor agglomeration (NNA). The
CDI can explore the underlying complementary information of multi-view data so
as to learn an essential distance matrix, which is utilized in NNA to obtain
the clustering results. Significantly, the proposed MHC can be easily and
effectively employed in real-world applications without parameter selection.
Experiments on nine benchmark datasets illustrate the superiority of our method
comparing to several state-of-the-art multi-view clustering methods.
- Abstract（参考訳）: 本稿では,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たマルチビュークラスタリングについて述べる。
通常、既存の作品の多くはパラメータ選択と高い計算複雑性の問題に苦しむ。
これらの制約を克服するために,マルチビュー階層クラスタリング(mhc)を提案し,マルチビューデータを複数の粒度で再帰的に分割する。
具体的には、MHCはCDI(cosine distance integration)とNNA( Near neighbor agglomeration)の2つの重要な構成要素から構成される。
CDIは、NNAで使用される本質的な距離行列を学習してクラスタリング結果を得るために、マルチビューデータの基本的な補完情報を探索することができる。
提案したMHCは,パラメータ選択なしで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。
9つのベンチマークデータセットに対する実験は、いくつかの最先端のマルチビュークラスタリング手法と比較して、我々の手法の優位性を示している。
関連論文リスト
- 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) - Joint Multi-View Collaborative Clustering [0.0]
マルチビューデータは、従来のシングルビューデータよりもリッチな情報を提供する。
マルチビュークラスタリングアルゴリズムの目標は、複数のビューで共有される共通の潜在構造を見つけることである。
本稿では,JMVCC(Joint Multi-View Collaborative Clustering)ソリューションを提案する。
論文 参考訳（メタデータ） (2023-10-25T08:23:45Z) - 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) - Deep Multiview Clustering by Contrasting Cluster Assignments [14.767319805995543]
マルチビュークラスタリングは、データサンプルをクラスタに分類することで、マルチビューデータの基盤構造を明らかにすることを目的としている。
本稿では,複数のビュー間でクラスタ割り当てを対比することで,ビュー不変表現を学習し,クラスタリング結果を生成するクロスビューコントラスト学習(C)手法を提案する。
論文 参考訳（メタデータ） (2023-04-21T06:35:54Z) - Dual Information Enhanced Multi-view Attributed Graph Clustering [11.624319530337038]
本稿では,Dual Information enhanced Multi-view Attributed Graph Clustering (DIAGC)法を提案する。
提案手法では,複数の視点からのコンセンサスと特定情報の探索を阻害する特定情報再構成(SIR)モジュールを提案する。
相互情報最大化(MIM)モジュールは、潜在高レベル表現と低レベル表現との合意を最大化し、高レベル表現が所望のクラスタリング構造を満たすことを可能にする。
論文 参考訳（メタデータ） (2022-11-28T01:18:04Z) - 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) - 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) - 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) - 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。