論文の概要: Self-supervised Discriminative Feature Learning for Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2103.15069v1
• Date: Sun, 28 Mar 2021 07:18:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:22:14.266726
• Title: Self-supervised Discriminative Feature Learning for Multi-view Clustering
• Title（参考訳）: マルチビュークラスタリングのための自己教師付き判別特徴学習
• Authors: Jie Xu, Yazhou Ren, Huayi Tang, Zhimeng Yang, Lili Pan, Yang Yang, Xiaorong Pu
• Abstract要約: マルチビュークラスタリング(SDMVC)のための自己監視型識別機能学習の提案 具体的には、各ビューの組み込み機能を独立して学習するために、ディープオートエンコーダが適用される。 さまざまなタイプのマルチビューデータセットの実験は、SDMVCが最先端のパフォーマンスを達成することを示しています。
• 参考スコア（独自算出の注目度）: 12.725701189049403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering is an important research topic due to its capability to utilize complementary information from multiple views. However, there are few methods to consider the negative impact caused by certain views with unclear clustering structures, resulting in poor multi-view clustering performance. To address this drawback, we propose self-supervised discriminative feature learning for multi-view clustering (SDMVC). Concretely, deep autoencoders are applied to learn embedded features for each view independently. To leverage the multi-view complementary information, we concatenate all views' embedded features to form the global features, which can overcome the negative impact of some views' unclear clustering structures. In a self-supervised manner, pseudo-labels are obtained to build a unified target distribution to perform multi-view discriminative feature learning. During this process, global discriminative information can be mined to supervise all views to learn more discriminative features, which in turn are used to update the target distribution. Besides, this unified target distribution can make SDMVC learn consistent cluster assignments, which accomplishes the clustering consistency of multiple views while preserving their features' diversity. Experiments on various types of multi-view datasets show that SDMVC achieves state-of-the-art performance.
• Abstract（参考訳）: マルチビュークラスタリングは、複数のビューから補完情報を活用できるため、重要な研究トピックである。 しかし、クラスタリング構造が不明な特定のビューによる負の影響を考慮する方法はほとんどなく、結果としてマルチビュークラスタリング性能が低下する。 この欠点に対処するために,マルチビュークラスタリング(SDMVC)のための自己教師付き識別特徴学習を提案する。 具体的には、ディープオートエンコーダを用いて各ビューの埋め込み機能を独立して学習する。 マルチビュー補完情報を活用するために、すべてのビューの組み込み機能を結合してグローバル機能を形成することにより、一部のビューの不明瞭なクラスタリング構造による負の影響を克服する。 自己教師方式で擬似ラベルを取得し、統一された目標分布を構築し、多視点識別特徴学習を行う。 このプロセスでは、全ビューを監督するためにグローバル判別情報を掘り出し、より識別的な特徴を学習し、ターゲットディストリビューションを更新するために使用される。 さらに、この統合されたターゲットディストリビューションは、SDMVCが一貫性のあるクラスタ割り当てを学習できるようにし、特徴の多様性を維持しながら、複数のビューのクラスタ化一貫性を達成する。 様々なタイプのマルチビューデータセットの実験により、SDMVCが最先端のパフォーマンスを達成することが示された。

関連論文リスト

• CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
  我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。 ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。 人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:45:03Z)
• Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
  既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。 本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-29T03:35:34Z)
• Federated Deep Multi-View Clustering with Global Self-Supervision [51.639891178519136]
  フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータからグローバルクラスタリングモデルを学習する可能性がある。 この設定では、ラベル情報は未知であり、データのプライバシを保持する必要がある。 本稿では,複数のクライアントから補完的なクラスタ構造をマイニングできる,新しい多視点クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-24T17:07:01Z)
• GCFAgg: Global and Cross-view Feature Aggregation for Multi-view Clustering [45.530950521907265]
  マルチビュークラスタリングは、教師なしの方法でコンセンサス表現を学習することで、データサンプルをカテゴリに分割することができる。 GggMVC(Global and Cross-view Feature aggregate for Multi-View Clustering)と呼ばれる新しいマルチビュークラスタリングネットワークを提案する。 提案手法は,完全多視点データクラスタリングタスクと不完全多視点データクラスタリングタスクの両方において,優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-05-11T13:41:13Z)
• Deep Multiview Clustering by Contrasting Cluster Assignments [14.767319805995543]
  マルチビュークラスタリングは、データサンプルをクラスタに分類することで、マルチビューデータの基盤構造を明らかにすることを目的としている。 本稿では,複数のビュー間でクラスタ割り当てを対比することで,ビュー不変表現を学習し,クラスタリング結果を生成するクロスビューコントラスト学習(C)手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T06:35:54Z)
• Learning Reliable Representations for Incomplete Multi-View Partial Multi-Label Classification [65.95823612309356]
  本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Multi-view Semantic Consistency based Information Bottleneck for Clustering [13.589996737740208]
  クラスタリングのための多視点セマンティック一貫性に基づく情報ボトルネック(MSCIB)について紹介する。 MSCIBは、異なる視点における情報ボトルネックの学習プロセスを改善するために、セマンティック一貫性を追求する。 セマンティック空間における複数のビューのアライメント操作を行い、多視点データの貴重な一貫した情報を共同で達成する。
  論文  参考訳（メタデータ） (2023-02-28T02:01:58Z)
• Error-Robust Multi-View Clustering: Progress, Challenges and Opportunities [67.54503077766171]
  ラベル情報は取得に費用がかかることが多いため、マルチビュークラスタリングが注目されている。 明示的なエラー除去定式化によるエラーロバストマルチビュークラスタリングアプローチは、5つの広範な研究カテゴリに構成できる。 この調査は、マルチビューデータに対するエラーロストクラスタリングの最近の進歩を要約し、レビューする。
  論文  参考訳（メタデータ） (2021-05-07T04:03:02Z)
• Unsupervised Person Re-Identification with Multi-Label Learning Guided Self-Paced Clustering [48.31017226618255]
  近年、未監修者再確認(Re-ID)が注目されています。 本論文では,教師なしのRe-IDを,MLC(Multi-label Learning Guide Self-paced Clustering)と呼ばれる概念的に斬新かつ単純なフレームワークで対処する。 MLCは主に3つの重要なモジュール(マルチスケールネットワーク、マルチラベル学習モジュール、セルフペースクラスタリングモジュール)で識別的特徴を学習する。
  論文  参考訳（メタデータ） (2021-03-08T07:30:13Z)
• Joint Featurewise Weighting and Lobal Structure Learning for Multi-view Subspace Clustering [3.093890460224435]
  マルチビュークラスタリングは複数の機能セットを統合し、データの異なる側面を明らかにし、相互に補完情報を提供する。 既存のマルチビュークラスタリング手法の多くは、各ビューの局所構造を無視しながら、すべてのビューの一貫性を探求することのみを目的としている。 本稿では、異なる特徴に対する重みを同時に割り当て、ビュー固有の自己表現特徴空間におけるデータの局所的情報を取得することで、新しいマルチビューサブスペースクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-25T01:57:57Z)
• 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。