論文の概要: Tensor-based Intrinsic Subspace Representation Learning for Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2010.09193v6
• Date: Thu, 12 Nov 2020 08:45:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 22:23:51.879401
• Title: Tensor-based Intrinsic Subspace Representation Learning for Multi-view Clustering
• Title（参考訳）: マルチビュークラスタリングのためのテンソルベース固有部分空間表現学習
• Authors: Qinghai Zheng, Jihua Zhu, Zhongyu Li, Haoyu Tang, Shuangxun Ma
• Abstract要約: 本稿では,マルチビュークラスタリングのための新規な固有部分空間表現(TISRL)を提案する。 異なる視点に含まれる特定の情報は、階級保存分解によって完全に調査されていることが分かる。 9つの一般的な実世界のマルチビューデータセットの実験結果は、TISRLの優位性を示している。
• 参考スコア（独自算出の注目度）: 18.0093330816895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a hot research topic, many multi-view clustering approaches are proposed over the past few years. Nevertheless, most existing algorithms merely take the consensus information among different views into consideration for clustering. Actually, it may hinder the multi-view clustering performance in real-life applications, since different views usually contain diverse statistic properties. To address this problem, we propose a novel Tensor-based Intrinsic Subspace Representation Learning (TISRL) for multi-view clustering in this paper. Concretely, the rank preserving decomposition is proposed firstly to effectively deal with the diverse statistic information contained in different views. Then, to achieve the intrinsic subspace representation, the tensor-singular value decomposition based low-rank tensor constraint is also utilized in our method. It can be seen that specific information contained in different views is fully investigated by the rank preserving decomposition, and the high-order correlations of multi-view data are also mined by the low-rank tensor constraint. The objective function can be optimized by an augmented Lagrangian multiplier based alternating direction minimization algorithm. Experimental results on nine common used real-world multi-view datasets illustrate the superiority of TISRL.
• Abstract（参考訳）: 熱い研究トピックとして、過去数年間に多くのマルチビュークラスタリングアプローチが提案されている。 しかし,既存のアルゴリズムの多くは,クラスタリングを考慮したコンセンサス情報のみを考慮に入れている。 実際のアプリケーションでは、様々なビューが様々な統計特性を含むため、マルチビュークラスタリングのパフォーマンスを阻害する可能性がある。 本稿では,マルチビュークラスタリングのためのテンソル型固有部分空間表現学習(TISRL)を提案する。 具体的には、まず、異なる視点に含まれる多様な統計情報を効果的に扱うために、階数保存分解を提案する。 また,本手法では,固有部分空間表現を実現するために,テンソル-特異値分解に基づく低ランクテンソル制約を用いる。 異なるビューに含まれる特定の情報はランク保存分解によって完全に調べられ、マルチビューデータの高次相関も低ランクテンソル制約によって掘り起こされる。 目的関数は、拡張ラグランジアン乗算器に基づく交互方向最小化アルゴリズムによって最適化できる。 9つの一般的な実世界のマルチビューデータセットの実験結果は、TISRLの優位性を示している。

関連論文リスト

• 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)
• 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)
• 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。