論文の概要: Multi-view Clustering via Deep Matrix Factorization and Partition
Alignment
- arxiv url: http://arxiv.org/abs/2105.00277v1
- Date: Sat, 1 May 2021 15:06:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 06:35:47.138161
- Title: Multi-view Clustering via Deep Matrix Factorization and Partition
Alignment
- Title(参考訳): Deep Matrix FactorizationとPartition Alignmentによるマルチビュークラスタリング
- Authors: Chen Zhang, Siwei Wang, Jiyuan Liu, Sihang Zhou, Pei Zhang, Xinwang
Liu, En Zhu, Changwang Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 43.56334737599984
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-view clustering (MVC) has been extensively studied to collect multiple
source information in recent years. One typical type of MVC methods is based on
matrix factorization to effectively perform dimension reduction and clustering.
However, the existing approaches can be further improved with following
considerations: i) The current one-layer matrix factorization framework cannot
fully exploit the useful data representations. ii) Most algorithms only focus
on the shared information while ignore the view-specific structure leading to
suboptimal solutions. iii) The partition level information has not been
utilized in existing work. To solve the above issues, we propose a novel
multi-view clustering algorithm via deep matrix decomposition and partition
alignment. To be specific, the partition representations of each view are
obtained through deep matrix decomposition, and then are jointly utilized with
the optimal partition representation for fusing multi-view information.
Finally, an alternating optimization algorithm is developed to solve the
optimization problem with proven convergence. The comprehensive experimental
results conducted on six benchmark multi-view datasets clearly demonstrates the
effectiveness of the proposed algorithm against the SOTA methods.
- Abstract(参考訳): マルチビュークラスタリング(MVC)は近年,複数のソース情報を収集するために広く研究されている。
典型的なMVC手法の1つのタイプは、次元の縮小とクラスタリングを効果的に行うための行列分解に基づいている。
しかし、既存のアプローチは以下の考慮でさらに改善することができる: i) 現在の一層行列分解フレームワークは、有用なデータ表現を完全に活用することはできない。
ii)ほとんどのアルゴリズムは共有情報のみに焦点をあてるが、サブ最適解につながるビュー固有の構造は無視する。
三 分割レベル情報は、既存業務において利用されていない。
上記の課題を解決するために,深層行列分解と分割アライメントを用いた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。
具体的には、ディープマトリクス分解により各ビューのパーティション表現を求め、マルチビュー情報を用いた最適なパーティション表現と共同で利用する。
最後に,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。
6つのベンチマーク・マルチビュー・データセットを用いた総合的な実験結果から,SOTA法に対する提案アルゴリズムの有効性が明らかとなった。
関連論文リスト
- Enhanced Latent Multi-view Subspace Clustering [25.343388834470247]
潜在空間表現を復元するための拡張潜在多視点サブスペースクラスタリング(ELMSC)手法を提案する。
提案するELMSCは,最先端のマルチビュークラスタリング手法よりも高いクラスタリング性能を実現することができる。
論文 参考訳(メタデータ) (2023-12-22T15:28:55Z) - 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) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳(メタデータ) (2023-03-29T14:54:19Z) - 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 with Deep Matrix Factorization and Global Graph
Refinement [37.34296330445708]
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。
論文 参考訳(メタデータ) (2021-05-01T13:40:20Z) - 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) - Multi-View Spectral Clustering with High-Order Optimal Neighborhood
Laplacian Matrix [57.11971786407279]
マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。
本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。
提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
論文 参考訳(メタデータ) (2020-08-31T12:28:40Z) - 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。