論文の概要: Multi-view Deep One-class Classification: A Systematic Exploration

• arxiv url: http://arxiv.org/abs/2104.13000v1
• Date: Tue, 27 Apr 2021 06:44:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 13:33:58.704009
• Title: Multi-view Deep One-class Classification: A Systematic Exploration
• Title（参考訳）: 多視点ディープワンクラス分類:システム探索
• Authors: Siqi Wang, Jiyuan Liu, Guang Yu, Xinwang Liu, Sihang Zhou, En Zhu, Yuexiang Yang, Jianping Yin
• Abstract要約: 1クラスの分類(OCC)は、異常検出のような領域に重要な応用を持つ長年のトピックでした。 文献からは議論されておらず、未定の話題である。 第一に、私たちの最良の知識に、これは正式にマルチビュー深いOCC問題を識別し、定式化する最初の作品です。
• 参考スコア（独自算出の注目度）: 46.971116728339844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One-class classification (OCC), which models one single positive class and distinguishes it from the negative class, has been a long-standing topic with pivotal application to realms like anomaly detection. As modern society often deals with massive high-dimensional complex data spawned by multiple sources, it is natural to consider OCC from the perspective of multi-view deep learning. However, it has not been discussed by the literature and remains an unexplored topic. Motivated by this blank, this paper makes four-fold contributions: First, to our best knowledge, this is the first work that formally identifies and formulates the multi-view deep OCC problem. Second, we take recent advances in relevant areas into account and systematically devise eleven different baseline solutions for multi-view deep OCC, which lays the foundation for research on multi-view deep OCC. Third, to remedy the problem that limited benchmark datasets are available for multi-view deep OCC, we extensively collect existing public data and process them into more than 30 new multi-view benchmark datasets via multiple means, so as to provide a publicly available evaluation platform for multi-view deep OCC. Finally, by comprehensively evaluating the devised solutions on benchmark datasets, we conduct a thorough analysis on the effectiveness of the designed baselines, and hopefully provide other researchers with beneficial guidance and insight to multi-view deep OCC. Our data and codes are opened at https://github.com/liujiyuan13/MvDOCC-datasets and https://github.com/liujiyuan13/MvDOCC-code respectively to facilitate future research.
• Abstract（参考訳）: 1つの正のクラスをモデル化し、負のクラスと区別するワンクラス分類(OCC)は、異常検出のような領域への重要な応用において長年の話題となっている。 現代社会では、複数の情報源が生み出す膨大な高次元複雑なデータを扱うことが多いため、多視点深層学習の観点からOCCを考えるのは当然である。 しかし、文献からは議論されておらず、未定の話題である。 この空白に動機づけられて、本論文は4次元の貢献をする: まず、我々の最善の知識に対して、これはマルチビューの深いocc問題を形式的に特定し、定式化する最初の作品である。 第2に,近年の関連分野の進歩を考慮し,多視点深層occの11種類のベースラインソリューションを体系的に考案し,多視点深層occ研究の基礎を築いた。 第3に、限定ベンチマークデータセットがマルチビュー深層occで利用できるという問題を解決するため、既存の公開データを広範囲に収集し、複数の手段で30以上の新しいマルチビューベンチマークデータセットに処理することで、マルチビュー深層occの公開評価プラットフォームを提供する。 最後に、ベンチマークデータセット上で考案されたソリューションを総合的に評価することにより、設計したベースラインの有効性を徹底的に分析し、多視点深度OCCに対する有益なガイダンスと洞察を他の研究者に提供することを期待する。 我々のデータとコードは、将来の研究を促進するために、https://github.com/liujiyuan13/MvDOCC-datasetsとhttps://github.com/liujiyuan13/MvDOCC-codeで公開されています。

関連論文リスト

• Critical Review for One-class Classification: recent advances and the reality behind them [10.043491707625867]
  本稿は,一級分類におけるプロミネント戦略を,その発端から現在の進歩まで合成する。 この記事は、一級実験を統括する画像異常検出アルゴリズム(AD)について、最先端(SOTA)を批判する。
  論文  参考訳（メタデータ） (2024-04-27T15:04:30Z)
• 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)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• Deep Clustering: A Comprehensive Survey [53.387957674512585]
  クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。 ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。 ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
  論文  参考訳（メタデータ） (2022-10-09T02:31:32Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• One-Class Classification: A Survey [96.17410674315816]
  One-Class Classification (OCC) は、トレーニング中に観測されたデータが単一の正のクラスからのものであるマルチクラス分類の特別なケースである。 視覚認識のための古典的統計的および最近の深層学習に基づくOCC手法のサーベイを提供する。
  論文  参考訳（メタデータ） (2021-01-08T15:30:29Z)
• Multi-view Hierarchical Clustering [12.01031088378791]
  マルチビュークラスタリングは、マルチビューデータによるクラスタリング結果の促進を目的としている。 複数レベルの粒度でマルチビューデータを分割するマルチビュー階層クラスタリング(MHC)を提案する。 MHCはパラメータ選択なしで現実世界のアプリケーションに容易に効果的に利用することができる。
  論文  参考訳（メタデータ） (2020-10-15T07:46:18Z)
• 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。