論文の概要: Multi-view Clustering with Deep Matrix Factorization and Global Graph Refinement

• arxiv url: http://arxiv.org/abs/2105.00248v1
• Date: Sat, 1 May 2021 13:40:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 07:23:46.763080
• Title: Multi-view Clustering with Deep Matrix Factorization and Global Graph Refinement
• Title（参考訳）: ディープマトリックス係数化とグローバルグラフ再構成によるマルチビュークラスタリング
• Authors: Chen Zhang, Siwei Wang, Wenxuan Tu, Pei Zhang, Xinwang Liu, Changwang Zhang, Bo Yuan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.34296330445708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view clustering is an important yet challenging task in machine learning and data mining community. One popular strategy for multi-view clustering is matrix factorization which could explore useful feature representations at lower-dimensional space and therefore alleviate dimension curse. However, there are two major drawbacks in the existing work: i) most matrix factorization methods are limited to shadow depth, which leads to the inability to fully discover the rich hidden information of original data. Few deep matrix factorization methods provide a basis for the selection of the new representation's dimensions of different layers. ii) the majority of current approaches only concentrate on the view-shared information and ignore the specific local features in different views. To tackle the above issues, we propose a novel Multi-View Clustering method with Deep semi-NMF and Global Graph Refinement (MVC-DMF-GGR) in this paper. Firstly, we capture new representation matrices for each view by hierarchical decomposition, then learn a common graph by approximating a combination of graphs which are reconstructed from these new representations to refine the new representations in return. An alternate algorithm with proved convergence is then developed to solve the optimization problem and the results on six multi-view benchmarks demonstrate the effectiveness and superiority of our proposed algorithm.
• Abstract（参考訳）: マルチビュークラスタリングは、マシンラーニングとデータマイニングコミュニティにおいて、重要ながら難しい課題である。 マルチビュークラスタリングの一般的な戦略は、低次元空間における有用な特徴表現を探索し、従って次元の呪いを軽減する行列分解である。 しかし、既存の研究には2つの大きな欠点がある: i) ほとんどの行列分解法は影の深さに制限されているため、元のデータの豊富な隠れ情報を完全に発見できない。 深い行列因数分解法は、異なる層の新しい表現の次元の選択の基礎となるものはほとんどない。 二 現状のアプローチの大半は、ビュー共有情報のみに集中し、異なるビューにおける特定のローカル特徴を無視している。 そこで本稿では,Deep semi-NMF と Global Graph Refinement (MVC-DMF-GGR) を用いた新しいマルチビュークラスタリング手法を提案する。 まず、階層的な分解によって各ビューの新しい表現行列をキャプチャし、これらの新しい表現から再構成されたグラフの組み合わせを近似して共通のグラフを学習し、新しい表現を改良する。 そこで, この最適化問題を解くために, コンバージェンスを証明した代替アルゴリズムを開発し, 提案アルゴリズムの有効性と優位性を6つのマルチビューベンチマークで示す。

関連論文リスト

• 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)
• 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)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Multi-view Clustering via Deep Matrix Factorization and Partition Alignment [43.56334737599984]
  本稿では,深層行列分解と分割アライメントによる新しいマルチビュークラスタリングアルゴリズムを提案する。 収束性が証明された最適化問題を解くために交互最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-05-01T15:06:57Z)
• Discriminatively Constrained Semi-supervised Multi-view Nonnegative Matrix Factorization with Graph Regularization [10.978930376656423]
  差別的制約付きセミスーパービジョン・マルチビュー非負行列因子化(DCS2MVNMF)を提案する。 具体的には、各ビューの補助マトリックスに対して差別的重み付け行列を導入し、クラス間の区別を高める。 さらに,複数のビューを整列し,対応する反復最適化スキームを完成させるために,新しい機能スケール正規化戦略を設計する。
  論文  参考訳（メタデータ） (2020-10-26T02:58:11Z)
• Tensor-based Intrinsic Subspace Representation Learning for Multi-view Clustering [18.0093330816895]
  本稿では,マルチビュークラスタリングのための新規な固有部分空間表現(TISRL)を提案する。 異なる視点に含まれる特定の情報は、階級保存分解によって完全に調査されていることが分かる。 9つの一般的な実世界のマルチビューデータセットの実験結果は、TISRLの優位性を示している。
  論文  参考訳（メタデータ） (2020-10-19T03:36:18Z)
• 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)

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。