論文の概要: Multi-view Subspace Clustering Networks with Local and Global Graph Information

• arxiv url: http://arxiv.org/abs/2010.09323v3
• Date: Wed, 24 Mar 2021 13:17:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 22:35:01.585328
• Title: Multi-view Subspace Clustering Networks with Local and Global Graph Information
• Title（参考訳）: ローカルおよびグローバルグラフ情報を用いたマルチビューサブスペースクラスタリングネットワーク
• Authors: Qinghai Zheng, Jihua Zhu, Yuanyuan Ma, Zhongyu Li, Zhiqiang Tian
• Abstract要約: 本研究の目的は、異なる分野や測定値から収集されたデータの基盤となるグループ構造を検討することである。 我々は,MSCNLGと呼ばれる局所グラフ情報とグローバルグラフ情報を備えた,新しいマルチビューサブスペースクラスタリングネットワークを提案する。 エンド・ツー・エンドのトレーニング可能なフレームワークとして、提案手法は複数のビューの貴重な情報を完全に調査する。
• 参考スコア（独自算出の注目度）: 19.64977233324484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study investigates the problem of multi-view subspace clustering, the goal of which is to explore the underlying grouping structure of data collected from different fields or measurements. Since data do not always comply with the linear subspace models in many real-world applications, most existing multi-view subspace clustering methods that based on the shallow linear subspace models may fail in practice. Furthermore, underlying graph information of multi-view data is always ignored in most existing multi-view subspace clustering methods. To address aforementioned limitations, we proposed the novel multi-view subspace clustering networks with local and global graph information, termed MSCNLG, in this paper. Specifically, autoencoder networks are employed on multiple views to achieve latent smooth representations that are suitable for the linear assumption. Simultaneously, by integrating fused multi-view graph information into self-expressive layers, the proposed MSCNLG obtains the common shared multi-view subspace representation, which can be used to get clustering results by employing the standard spectral clustering algorithm. As an end-to-end trainable framework, the proposed method fully investigates the valuable information of multiple views. Comprehensive experiments on six benchmark datasets validate the effectiveness and superiority of the proposed MSCNLG.
• Abstract（参考訳）: 本研究では,多視点サブスペースクラスタリングの問題について検討し,その目的として,異なるフィールドや測定値から収集したデータの下位グループ化構造について検討する。 データは実世界の多くのアプリケーションにおいて線形部分空間モデルに従わないため、浅い線形部分空間モデルに基づく既存のマルチビューサブスペースクラスタリング手法は実際は失敗する可能性がある。 さらに、既存の多くのマルチビューサブスペースクラスタリング手法では、マルチビューデータの基盤となるグラフ情報は無視される。 上記の制限に対処するため,我々は,mscnlgと呼ばれる,ローカルおよびグローバルグラフ情報を用いたマルチビューサブスペースクラスタリングネットワークを提案する。 具体的には,線形仮定に適したスムーズな表現を実現するために,複数のビューにオートエンコーダネットワークを用いる。 同時に、融合されたマルチビューグラフ情報を自己表現層に統合することにより、提案するmscnlgは、標準スペクトルクラスタリングアルゴリズムを用いてクラスタリング結果を得られる共通共有マルチビューサブスペース表現を得る。 エンドツーエンドのトレーニング可能なフレームワークとして、提案手法は複数のビューの貴重な情報を完全に調査する。 6つのベンチマークデータセットに関する総合的な実験は、提案したMSCNLGの有効性と優位性を検証する。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• Double Graphs Regularized Multi-view Subspace Clustering [15.52467509308717]
  本稿では,新しいDouble Graphs Regularized Multi-view Subspace Clustering (DGRMSC)法を提案する。 マルチビューデータのグローバルな構造情報とローカルな構造情報の両方を統一されたフレームワークで活用することを目的としている。
  論文  参考訳（メタデータ） (2022-09-30T00:16:42Z)
• 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)
• 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。