論文の概要: V3H: View Variation and View Heredity for Incomplete Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2011.11194v3
• Date: Fri, 30 Apr 2021 08:34:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 01:10:23.580962
• Title: V3H: View Variation and View Heredity for Incomplete Multi-view Clustering
• Title（参考訳）: V3H:不完全なマルチビュークラスタリングのためのビュー変動とビュー遺伝性
• Authors: Xiang Fang, Yuchong Hu, Pan Zhou, Dapeng Oliver Wu
• Abstract要約: 不完全なマルチビュークラスタリングは、これらの不完全なビューを統合する効果的な方法である。 本稿では,この制限を克服するために,新しいビューバージョニング・ビュー・ジェレダリティ・アプローチ(V3H)を提案する。 V3Hは、不完全なマルチビューデータから一貫した情報とユニークな情報を同時に学習するためのクラスタリングアルゴリズムに遺伝学を導入する最初の研究である可能性がある。
• 参考スコア（独自算出の注目度）: 65.29597317608844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real data often appear in the form of multiple incomplete views. Incomplete multi-view clustering is an effective method to integrate these incomplete views. Previous methods only learn the consistent information between different views and ignore the unique information of each view, which limits their clustering performance and generalizations. To overcome this limitation, we propose a novel View Variation and View Heredity approach (V3H). Inspired by the variation and the heredity in genetics, V3H first decomposes each subspace into a variation matrix for the corresponding view and a heredity matrix for all the views to represent the unique information and the consistent information respectively. Then, by aligning different views based on their cluster indicator matrices, V3H integrates the unique information from different views to improve the clustering performance. Finally, with the help of the adjustable low-rank representation based on the heredity matrix, V3H recovers the underlying true data structure to reduce the influence of the large incompleteness. More importantly, V3H presents possibly the first work to introduce genetics to clustering algorithms for learning simultaneously the consistent information and the unique information from incomplete multi-view data. Extensive experimental results on fifteen benchmark datasets validate its superiority over other state-of-the-arts.
• Abstract（参考訳）: 実際のデータは、しばしば複数の不完全なビューの形で現れる。 不完全マルチビュークラスタリングは、これらの不完全ビューを統合する効果的な方法である。 従来の方法は、異なるビュー間の一貫性のある情報のみを学習し、各ビューのユニークな情報を無視し、クラスタリングのパフォーマンスと一般化を制限する。 この限界を克服するため,我々は新しい視点変動と視点遺伝アプローチ(v3h)を提案する。 遺伝学における変異と遺伝性に着想を得て、v3hはまず各部分空間を対応するビューの変動行列と全てのビューの遺伝行列に分解し、それぞれ固有の情報と一貫性のある情報を表す。 次に、クラスタインジケータ行列に基づいて異なるビューを整列することにより、V3Hは異なるビューからのユニークな情報を統合してクラスタリング性能を改善する。 最後に、遺伝性行列に基づく調整可能な低ランク表現の助けを借りて、V3Hは基礎となる真のデータ構造を復元し、大きな不完全性の影響を低減する。 さらに重要なのは、V3Hは、不完全なマルチビューデータから一貫した情報とユニークな情報を同時に学習するためのクラスタリングアルゴリズムに遺伝学を導入する最初の研究である可能性がある。 15のベンチマークデータセットに対する大規模な実験結果は、他の最先端モデルよりもその優位性を検証する。

関連論文リスト

• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• 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-VAE: Learning Disentangled View-common and View-peculiar Visual Representations for Multi-view Clustering [20.412896884905496]
  VAEベースのマルチビュークラスタリングフレームワーク(Multi-VAE)を提案する。 生成モデルにおいて、ビュー-共通変数と複数のビュー-ペキュリアル変数を定義する。 複数のビューの連続的な視覚情報を切り離すために相互情報容量を制御することにより、複数のビューの連続的な視覚情報を分離することができる。
  論文  参考訳（メタデータ） (2021-06-21T16:23:28Z)
• 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)
• 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)
• 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。