論文の概要: Deep Fusion Clustering Network

• arxiv url: http://arxiv.org/abs/2012.09600v1
• Date: Tue, 15 Dec 2020 09:37:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 09:06:22.167352
• Title: Deep Fusion Clustering Network
• Title（参考訳）: 深部核融合クラスタリングネットワーク
• Authors: Wenxuan Tu, Sihang Zhou, Xinwang Liu, Xifeng Guo, Zhiping Cai, En zhu, Jieren Cheng
• Abstract要約: 深層クラスタリングのための深層フュージョンクラスタリングネットワーク(DFCN)を提案する。 本ネットワークでは,オートエンコーダとグラフオートエンコーダが学習した表現を明示的にマージするために,相互依存学習に基づく構造化と属性情報融合(SAIF)モジュールを提案する。 6つのベンチマークデータセットの実験により、提案されたDFCNは最先端のディープクラスタリング手法よりも一貫して優れていることが示された。
• 参考スコア（独自算出の注目度）: 38.540761683389135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep clustering is a fundamental yet challenging task for data analysis. Recently we witness a strong tendency of combining autoencoder and graph neural networks to exploit structure information for clustering performance enhancement. However, we observe that existing literature 1) lacks a dynamic fusion mechanism to selectively integrate and refine the information of graph structure and node attributes for consensus representation learning; 2) fails to extract information from both sides for robust target distribution (i.e., "groundtruth" soft labels) generation. To tackle the above issues, we propose a Deep Fusion Clustering Network (DFCN). Specifically, in our network, an interdependency learning-based Structure and Attribute Information Fusion (SAIF) module is proposed to explicitly merge the representations learned by an autoencoder and a graph autoencoder for consensus representation learning. Also, a reliable target distribution generation measure and a triplet self-supervision strategy, which facilitate cross-modality information exploitation, are designed for network training. Extensive experiments on six benchmark datasets have demonstrated that the proposed DFCN consistently outperforms the state-of-the-art deep clustering methods.
• Abstract（参考訳）: ディープクラスタリングは、データ分析の基本的な課題ですが、難しい課題です。 近年,自動エンコーダとグラフニューラルネットワークを組み合わせることで,構造情報をクラスタリング性能向上に活用する傾向が強まっている。 しかし,1) 既存の文献では, コンセンサス表現学習のためのグラフ構造やノード属性の情報を選択的に統合・洗練するための動的融合機構が欠如している。 以上の課題に対処するため,Deep Fusion Clustering Network (DFCN)を提案する。 具体的には,相互依存学習に基づく構造化・属性情報融合(SAIF)モジュールを提案し,コンセンサス表現学習のためのオートエンコーダとグラフオートエンコーダで学習した表現を明示的にマージする。 また、ネットワークトレーニングのために、信頼性の高い目標分布生成手段と、モダリティ間の情報活用を容易にする三重化セルフスーパービジョン戦略を設計する。 6つのベンチマークデータセットに対する大規模な実験により、提案されたDFCNは最先端のディープクラスタリング手法よりも一貫して優れていることが示された。

関連論文リスト

• XAI for Self-supervised Clustering of Wireless Spectrum Activity [0.5809784853115825]
  本稿では,深層クラスタリング,自己教師型学習アーキテクチャの方法論を提案する。 表現学習部では,入力データの関心領域の解釈にガイドバックプロパゲーションを用いる。 クラスタリングの部分は、クラスタリングの結果を説明するために、Shallow Treesに依存しています。 最後に、データ固有の視覚化部は、各クラスタと入力データとの接続を関連機能をトラフすることを可能にする。
  論文  参考訳（メタデータ） (2023-05-17T08:56:43Z)
• Deep Embedded Clustering with Distribution Consistency Preservation for Attributed Networks [15.895606627146291]
  本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。 グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。 提案手法は, 最先端手法と比較して, 性能が著しく向上する。
  論文  参考訳（メタデータ） (2022-05-28T02:35:34Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering [51.62959830761789]
  クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。 CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。 異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
  論文  参考訳（メタデータ） (2021-01-18T05:21:59Z)
• Structural Deep Clustering Network [45.370272344031285]
  本研究では,構造情報を深層クラスタリングに統合する構造深層クラスタリングネットワーク(SDCN)を提案する。 具体的には、オートエンコーダが学習した表現を対応するGCN層に転送するデリバリ演算子を設計する。 このように、低次から高次までの複数のデータ構造は、オートエンコーダによって学習された複数の表現と自然に結合される。
  論文  参考訳（メタデータ） (2020-02-05T04:33:40Z)

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。