論文の概要: Non-Linear Fusion for Self-Paced Multi-View Clustering
- arxiv url: http://arxiv.org/abs/2104.09255v1
- Date: Mon, 19 Apr 2021 12:53:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 13:41:17.589233
- Title: Non-Linear Fusion for Self-Paced Multi-View Clustering
- Title（参考訳）: 自己ペーシングマルチビュークラスタリングのための非線形融合
- Authors: Zongmo Huang, Yazhou Ren, Xiaorong Pu, Lifang He
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.21606544185194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the advance of the multi-media and multi-modal data, multi-view
clustering (MVC) has drawn increasing attentions recently. In this field, one
of the most crucial challenges is that the characteristics and qualities of
different views usually vary extensively. Therefore, it is essential for MVC
methods to find an effective approach that handles the diversity of multiple
views appropriately. To this end, a series of MVC methods focusing on how to
integrate the loss from each view have been proposed in the past few years.
Among these methods, the mainstream idea is assigning weights to each view and
then combining them linearly. In this paper, inspired by the effectiveness of
non-linear combination in instance learning and the auto-weighted approaches,
we propose Non-Linear Fusion for Self-Paced Multi-View Clustering (NSMVC),
which is totally different from the the conventional linear-weighting
algorithms. In NSMVC, we directly assign different exponents to different views
according to their qualities. By this way, the negative impact from the corrupt
views can be significantly reduced. Meanwhile, to address the non-convex issue
of the MVC model, we further define a novel regularizer-free modality of
Self-Paced Learning (SPL), which fits the proposed non-linear model perfectly.
Experimental results on various real-world data sets demonstrate the
effectiveness of the proposed method.
- Abstract（参考訳）: 近年,マルチメディアおよびマルチモーダルデータの進歩に伴い,マルチビュークラスタリング(MVC)が注目されている。
この分野で最も重要な課題の1つは、異なる視点の特徴と性質が通常大きく異なることである。
したがって、MVCメソッドは複数のビューの多様性を適切に扱う効果的なアプローチを見つけることが不可欠である。
この目的のために、各ビューからの損失を統合するための一連のMVCメソッドがここ数年間提案されてきた。
これらの方法のうち、主流のアイデアは、各ビューに重みを割り当て、それらを線形に結合することである。
本稿では,インスタンス学習における非線形組み合わせの有効性と自己重み付け手法に着想を得て,従来の線形重み付けアルゴリズムとは全く異なる自己ペーシングマルチビュークラスタリング(nsmvc)に対する非線形融合を提案する。
NSMVCでは、異なる指数をそれぞれの性質に応じて異なる視点に割り当てる。
このように、腐敗したビューからのネガティブな影響は大幅に低減できる。
一方、mvcモデルの非凸問題に対処するために、提案する非線形モデルに完全に適合する、新しい正規化なし自己ペース学習モダリティ(spl)をさらに定義する。
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。
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) - A Novel Approach for Effective Multi-View Clustering with
Information-Theoretic Perspective [24.630259061774836]
本研究では,多視点クラスタリングフレームワークを情報理論の観点から検討する,SUMVC(Sufficient Multi-View Clustering)と呼ばれる新しい手法を提案する。
まず,変分解析を用いて一貫した情報を生成する,シンプルで信頼性の高いマルチビュークラスタリング手法SCMVCを開発する。
次に、一貫した情報を強化し、ビュー間の不要な情報を最小限に抑えるのに十分な表現境界を提案する。
論文 参考訳（メタデータ） (2023-09-25T09:41:11Z) - Semi-supervised multi-view concept decomposition [30.699496411869834]
概念因子化(CF)は、マルチビュークラスタリングタスクにおいて優れた性能を示している。
そこで我々は,SMVCFという,新しい半教師付き多視点概念分解モデルを提案する。
SMVCFの性能を評価するために,4つの多様なデータセットの実験を行った。
論文 参考訳（メタデータ） (2023-07-03T10:50:44Z) - Multi-View Class Incremental Learning [57.14644913531313]
マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。
本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
論文 参考訳（メタデータ） (2023-06-16T08:13:41Z) - One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。
そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
論文 参考訳（メタデータ） (2023-06-08T02:52:24Z) - 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) - 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) - 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) - Embedded Deep Bilinear Interactive Information and Selective Fusion for
Multi-view Learning [70.67092105994598]
本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。
特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。
6つの公開データセットの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-07-13T01:13:23Z) - Multi-view Low-rank Preserving Embedding: A Novel Method for Multi-view
Representation [11.91574721055601]
本稿では,MvLPE(Multi-view Low-rank Preserving Embedding)という新しい多視点学習手法を提案する。
異なるビューを1つのセントロイドビューに統合し、インスタンス間の距離や類似性行列に基づいて、不一致項を最小化する。
6つのベンチマークデータセットの実験では、提案手法がそれよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-06-14T12:47:25Z)
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。