論文の概要: ANIMC: A Soft Framework for Auto-weighted Noisy and Incomplete Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2011.10331v3
• Date: Tue, 28 Sep 2021 04:02:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 05:21:43.062886
• Title: ANIMC: A Soft Framework for Auto-weighted Noisy and Incomplete Multi-view Clustering
• Title（参考訳）: ANIMC: 自動重み付きノイズと不完全なマルチビュークラスタリングのためのソフトフレームワーク
• Authors: Xiang Fang, Yuchong Hu, Pan Zhou, and Dapeng Oliver Wu
• Abstract要約: 本稿では, ソフトな自己重み付き戦略と2倍のソフトな正規回帰モデルを用いて, 自動重み付きノイズと不完全なマルチビュークラスタリングフレームワーク(ANIMC)を提案する。 ANIMCには3つの独特な利点がある: 1) 異なるシナリオでフレームワークを調整し、その一般化能力を向上させるソフトアルゴリズム、2) 各ビューに対する適切な重み付けを自動的に学習し、ノイズの影響を低減し、3) 異なるビューで同じインスタンスを整列させ、欠落したインスタンスの影響を減少させる。
• 参考スコア（独自算出の注目度）: 59.77141155608009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering has wide applications in many image processing scenarios. In these scenarios, original image data often contain missing instances and noises, which is ignored by most multi-view clustering methods. However, missing instances may make these methods difficult to use directly and noises will lead to unreliable clustering results. In this paper, we propose a novel Auto-weighted Noisy and Incomplete Multi-view Clustering framework (ANIMC) via a soft auto-weighted strategy and a doubly soft regular regression model. Firstly, by designing adaptive semi-regularized nonnegative matrix factorization (adaptive semi-RNMF), the soft auto-weighted strategy assigns a proper weight to each view and adds a soft boundary to balance the influence of noises and incompleteness. Secondly, by proposing{\theta}-norm, the doubly soft regularized regression model adjusts the sparsity of our model by choosing different{\theta}. Compared with existing methods, ANIMC has three unique advantages: 1) it is a soft algorithm to adjust our framework in different scenarios, thereby improving its generalization ability; 2) it automatically learns a proper weight for each view, thereby reducing the influence of noises; 3) it performs doubly soft regularized regression that aligns the same instances in different views, thereby decreasing the impact of missing instances. Extensive experimental results demonstrate its superior advantages over other state-of-the-art methods.
• Abstract（参考訳）: マルチビュークラスタリングは多くの画像処理シナリオで幅広い応用がある。 これらのシナリオでは、元の画像データは欠落したインスタンスやノイズを含むことが多く、ほとんどのマルチビュークラスタリング手法では無視される。 しかし、欠落したインスタンスはこれらのメソッドを直接使用するのを難しくし、ノイズは信頼性の低いクラスタリング結果をもたらす。 本稿では,ソフトな自己重み付き戦略と2倍のソフトなレギュラー回帰モデルを用いて,自動重み付きノイズと不完全なマルチビュークラスタリングフレームワーク(ANIMC)を提案する。 まず、適応半正規化非負行列分解(adaptive semi-rnmf)を設計することで、ソフト自己重み付け戦略は各ビューに適切な重みを割り当て、ノイズと不完全性の影響をバランスさせるためにソフト境界を追加する。 第二に, 2重ソフト正規化回帰モデルは, {\theta}-normの提案により, 異なる{\theta} を選択することにより, モデルのスパース性を調整する。 既存の方法と比較して、ANIMCには3つの利点がある。 1) フレームワークを異なるシナリオで調整し,その一般化能力を向上させるソフトなアルゴリズムである。 2) 各視点に対して適切な重みを自動的に学習し,ノイズの影響を低減させる。 3) 異なるビューで同じインスタンスをアライメントする2つのソフトな正規化レグレッションを実行することで、欠落したインスタンスの影響を低減します。 大規模な実験結果から、他の最先端手法よりも優れた利点が示された。

関連論文リスト

• Multimodal Unlearnable Examples: Protecting Data against Multimodal Contrastive Learning [53.766434746801366]
  マルチモーダル・コントラッシブ・ラーニング (MCL) は、インターネットから何百万ものイメージ・キャプション・ペアから学習することで、ゼロショット分類において顕著な進歩を見せている。 ハッカーは、個人やプライバシーに敏感な情報を含む、モデルトレーニングのために画像テキストデータを不正に活用する可能性がある。 近年の研究では、保護のためのショートカットを構築するための訓練画像に知覚不能な摂動を加えることで、学習不可能な例を生成することを提案する。 マルチステップ誤り最小化(MEM)を提案する。
  論文  参考訳（メタデータ） (2024-07-23T09:00:52Z)
• An Adaptive Cost-Sensitive Learning and Recursive Denoising Framework for Imbalanced SVM Classification [12.986535715303331]
  カテゴリー不均衡は、分類分野において最も人気があり重要な問題の一つである。 不均衡データセットに基づいてトレーニングされた感情分類モデルは、容易に信頼性の低い予測につながる。
  論文  参考訳（メタデータ） (2024-03-13T09:43:14Z)
• Dynamic Weighted Combiner for Mixed-Modal Image Retrieval [8.683144453481328]
  フレキシブル検索パラダイムとしてのMixed-Modal Image Retrieval (MMIR) が注目されている。 以前のアプローチは常に2つの重要な要因のため、限られたパフォーマンスを達成する。 以上の課題に対処するための動的重み付け結合器(DWC)を提案する。
  論文  参考訳（メタデータ） (2023-12-11T07:36:45Z)
• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)
• Adaptive Fine-Grained Sketch-Based Image Retrieval [100.90633284767205]
  最近のファイングレード・スケッチに基づく画像検索は、モデルから新しいカテゴリへの一般化へとシフトしている。 実世界のアプリケーションでは、トレーニングされたFG-SBIRモデルは、新しいカテゴリと異なる人間のスケッチラーの両方に適用されることが多い。 モデルに依存しないメタラーニング(MAML)に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-04T21:07:20Z)
• A Lagrangian Duality Approach to Active Learning [119.36233726867992]
  トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。 制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。 数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
  論文  参考訳（メタデータ） (2022-02-08T19:18:49Z)
• Non-Linear Fusion for Self-Paced Multi-View Clustering [9.21606544185194]
  マルチビュークラスタリング(MVC)は、各ビューに重みを割り当て、それらを線形に結合する。 本稿では,従来の線形NVCとは全く異なる,NSMVC(Non-linear Fusion for Self-Paced MultiView Clustering)を提案する。 実世界の各種データセットにおける実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-04-19T12:53:23Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Multi-frame Super-resolution from Noisy Data [6.414055487487486]
  異方性拡散アイデアに基づく2つの適応レギュラーの有用性を示す。 また,一方的な差異と優れた性能を有する新しい非局所的な手法を提案する。 意外なことに、実際に関連する雑音のシナリオにおける評価は、ノイズフリーのシナリオと異なるランキングを生み出す。
  論文  参考訳（メタデータ） (2021-03-25T12:07:08Z)
• Double Self-weighted Multi-view Clustering via Adaptive View Fusion [6.061606963894415]
  新たなマルチビュークラスタリングフレームワークであるDouble Self-weighted Multi-view Clustering (DSMC)を提案する。 DSMCは、グラフから冗長な特徴やノイズを取り除き、堅牢なグラフを得るために、二重自己重み付け操作を行う。 6つの実世界のデータセットに対する実験は、他の最先端のマルチビュークラスタリング手法に対する利点を示している。
  論文  参考訳（メタデータ） (2020-11-20T13:23:01Z)

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。