論文の概要: Double Self-weighted Multi-view Clustering via Adaptive View Fusion

• arxiv url: http://arxiv.org/abs/2011.10396v2
• Date: Mon, 30 May 2022 08:02:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 05:13:35.243119
• Title: Double Self-weighted Multi-view Clustering via Adaptive View Fusion
• Title（参考訳）: adaptive view fusionによる2重自己重み付きマルチビュークラスタリング
• Authors: Xiang Fang, Yuchong Hu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.061606963894415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering has been applied in many real-world applications where original data often contain noises. Some graph-based multi-view clustering methods have been proposed to try to reduce the negative influence of noises. However, previous graph-based multi-view clustering methods treat all features equally even if there are redundant features or noises, which is obviously unreasonable. In this paper, we propose a novel multi-view clustering framework Double Self-weighted Multi-view Clustering (DSMC) to overcome the aforementioned deficiency. DSMC performs double self-weighted operations to remove redundant features and noises from each graph, thereby obtaining robust graphs. For the first self-weighted operation, it assigns different weights to different features by introducing an adaptive weight matrix, which can reinforce the role of the important features in the joint representation and make each graph robust. For the second self-weighting operation, it weights different graphs by imposing an adaptive weight factor, which can assign larger weights to more robust graphs. Furthermore, by designing an adaptive multiple graphs fusion, we can fuse the features in the different graphs to integrate these graphs for clustering. Experiments on six real-world datasets demonstrate its advantages over other state-of-the-art multi-view clustering methods.
• Abstract（参考訳）: マルチビュークラスタリングは、元のデータがしばしばノイズを含む実世界の多くのアプリケーションに適用されている。 ノイズの悪影響を低減しようとするグラフベースのマルチビュークラスタリング手法がいくつか提案されている。 しかしながら、従来のグラフベースのマルチビュークラスタリング手法は、冗長な機能やノイズがあっても、すべての機能を平等に扱う。 本稿では,新たな多視点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は二重自己重み付け操作を行い、各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。 最初の自己重み付け演算では、アダプティブウェイト行列を導入して異なる特徴に異なる重みを割り当て、これは結合表現における重要な特徴の役割を強化し、各グラフを堅牢にする。 第二の自己重み付け演算では、適応重み係数(adaptive weight factor)を付けて異なるグラフを重み付け、より強固なグラフに重みを割り当てる。 さらに、適応型多重グラフ融合を設計することにより、異なるグラフの特徴を融合して、これらのグラフをクラスタ化するために統合することができる。 6つの実世界のデータセットの実験は、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。

関連論文リスト

• 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)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
  マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。 主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。 8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
  論文  参考訳（メタデータ） (2022-01-12T18:00:29Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Multiple Graph Learning for Scalable Multi-view Clustering [26.846642220480863]
  少数のアンカー点とテンソルシャッテンp-ノルム最小化による効率的な多重グラフ学習モデルを提案する。 具体的には、各ビューに対してアンカーグラフを用いて、隠蔽かつトラクタブルな大きなグラフを構築する。 本研究では,データサイズと線形にスケールする効率的なアルゴリズムを開発し,提案したモデルを解く。
  論文  参考訳（メタデータ） (2021-06-29T13:10:56Z)
• Consistent Multiple Graph Embedding for Multi-View Clustering [41.17336912278538]
  Consistent Multiple Graph Embedding Clustering framework (CMGEC) を提案する。 具体的には,マルチビューデータの補完情報を柔軟に符号化するマルチグラフオートエンコーダを設計する。 各ビューにおける隣り合う特徴の類似性を維持するための学習共通表現を導くため、MMIM(Multi-view Mutual Information Maximization Module)を導入する。
  論文  参考訳（メタデータ） (2021-05-11T09:08:22Z)
• 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)
• ANIMC: A Soft Framework for Auto-weighted Noisy and Incomplete Multi-view Clustering [59.77141155608009]
  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。
  論文  参考訳（メタデータ） (2020-11-20T10:37:27Z)
• Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
  グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。 本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
  論文  参考訳（メタデータ） (2020-08-24T06:11:29Z)
• Consistent and Complementary Graph Regularized Multi-view Subspace Clustering [31.187031653119025]
  本研究では,複数のビューが一貫した情報を含み,それぞれのビューが相補的な情報を含むマルチビュークラスタリングの問題について検討する。 本稿では、一貫したグラフ正規化マルチビューサブスペースクラスタリング(GRMSC)を含む手法を提案する。 目的関数は多視点クラスタリングを実現するために拡張ラグランジアン乗算法により最適化される。
  論文  参考訳（メタデータ） (2020-04-07T03:48:08Z)

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。