論文の概要: Error-Robust Multi-View Clustering: Progress, Challenges and
Opportunities
- arxiv url: http://arxiv.org/abs/2105.03058v1
- Date: Fri, 7 May 2021 04:03:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:26:27.565410
- Title: Error-Robust Multi-View Clustering: Progress, Challenges and
Opportunities
- Title（参考訳）: Error-Robust Multi-View Clustering: 進展、課題、機会
- Authors: Mehrnaz Najafi and Lifang He and Philip S. Yu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 67.54503077766171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With recent advances in data collection from multiple sources, multi-view
data has received significant attention. In multi-view data, each view
represents a different perspective of data. Since label information is often
expensive to acquire, multi-view clustering has gained growing interest, which
aims to obtain better clustering solution by exploiting complementary and
consistent information across all views rather than only using an individual
view. Due to inevitable sensor failures, data in each view may contain error.
Error often exhibits as noise or feature-specific corruptions or outliers.
Multi-view data may contain any or combination of these error types. Blindly
clustering multi-view data i.e., without considering possible error in view(s)
could significantly degrade the performance. The goal of error-robust
multi-view clustering is to obtain useful outcome even if the multi-view data
is corrupted. Existing error-robust multi-view clustering approaches with
explicit error removal formulation can be structured into five broad research
categories - sparsity norm based approaches, graph based methods, subspace
based learning approaches, deep learning based methods and hybrid approaches,
this survey summarizes and reviews recent advances in error-robust clustering
for multi-view data. Finally, we highlight the challenges and provide future
research opportunities.
- Abstract（参考訳）: 近年、複数のソースからのデータ収集が進歩し、マルチビューデータが注目されている。
マルチビューデータでは、各ビューはデータの異なる視点を表している。
ラベル情報を取得するのにはしばしばコストがかかるため、マルチビュークラスタリングは、個々のビューだけでなく、すべてのビューに相補的で一貫した情報を活用することにより、より優れたクラスタリングソリューションを得ることを目的としている。
センサーの故障が避けられないため、各ビューのデータはエラーを含む可能性がある。
エラーは、しばしばノイズ、特徴特異的な汚職または外れ値として現れる。
マルチビューデータはこれらのエラータイプのいずれかまたは組み合わせを含むことができる。
盲目的にクラスタリングするマルチビューデータ、すなわちビューのエラーを考慮せずに、パフォーマンスを著しく低下させることができる。
マルチビュークラスタリングの目標は、マルチビューデータが破損しても有用な結果を得ることである。
既存のエラーロストなマルチビュークラスタリング手法と明示的なエラー除去の定式化は,5つの広い研究カテゴリ – 空間ノルムベースのアプローチ,グラフベースの手法,サブスペースベースの学習アプローチ,ディープラーニングベースの手法,ハイブリッドアプローチ – に構成することができる。
最後に,課題を強調し,今後の研究機会を提供する。
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) - Incomplete Contrastive Multi-View Clustering with High-Confidence
Guiding [7.305817202715752]
高信頼誘導(ICMVC)を用いた非完全コントラストマルチビュークラスタリング手法を提案する。
まず、欠落した値問題に対処するために、マルチビュー整合関係転送とグラフ畳み込みネットワークを提案する。
第2に、補完情報を活用するために、インスタンスレベルの注意融合と高信頼誘導を提案する。
論文 参考訳（メタデータ） (2023-12-14T07:28:41Z) - Hierarchical Mutual Information Analysis: Towards Multi-view Clustering
in The Wild [9.380271109354474]
この研究は、データリカバリとアライメントを階層的に一貫した方法で融合し、異なるビュー間の相互情報を最大化するディープMVCフレームワークを提案する。
私たちの知る限りでは、これは欠落したデータ問題と不整合データ問題に異なる学習パラダイムで別々に対処する最初の試みになるかもしれません。
論文 参考訳（メタデータ） (2023-10-28T06:43:57Z) - Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
本稿では,新しいアンカーグラフ学習フレームワークを提案する。
ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。
提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
論文 参考訳（メタデータ） (2023-08-31T08:30:26Z) - Unpaired Multi-View Graph Clustering with Cross-View Structure Matching [39.310384044597065]
既存のMVCメソッドの多くは、マルチビューデータが完全にペアリングされていると仮定している。
データ通信は、データ破損やセンサーの違いにより、現実世界のアプリケーションでは不完全であることが多い。
本稿では,クロスビュー構造マッチングを用いたパラメータフリーグラフクラスタリングフレームワークUnpaired Multi-view Graph Clusteringフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-07T09:29:44Z) - Incomplete Multi-view Clustering via Diffusion Completion [0.0]
本稿では,不完全なマルチビュークラスタリングフレームワークに組み込まれている不完全なビューを復元する拡散補完法を提案する。
観測可能なビュー情報に基づいて、拡散モデルを用いて、行方不明のビューを復元する。
提案手法は,最先端の手法と比較して,クラスタリング性能が優れている一方で,欠落したビューの回復に有効である。
論文 参考訳（メタデータ） (2023-05-19T07:39:24Z) - A Survey on Incomplete Multi-view Clustering [66.50475816827208]
病気の診断、マルチメディア分析、レコメンデーションシステムなどの実践的な応用では、サンプルのすべてのビューが利用できるわけではない。
不完全なマルチビュークラスタリングは、不完全なマルチビュークラスタリングと呼ばれる。
論文 参考訳（メタデータ） (2022-08-17T03:00:59Z) - Consistency-aware and Inconsistency-aware Graph-based Multi-view
Clustering [20.661025590877774]
グラフベースのマルチビュークラスタリング(GMVC)は、統一行列と呼ばれる共有グラフ行列を活用することにより、最先端のパフォーマンスを実現する。
本稿では,複数ビューにまたがる一貫した不整合部分を含むGMVC法を提案する。
実世界のデータセットの数値評価は,提案したCI-GMVCの有効性を示す。
論文 参考訳（メタデータ） (2020-11-25T06:00:42Z) - V3H: View Variation and View Heredity for Incomplete Multi-view
Clustering [65.29597317608844]
不完全なマルチビュークラスタリングは、これらの不完全なビューを統合する効果的な方法である。
本稿では,この制限を克服するために,新しいビューバージョニング・ビュー・ジェレダリティ・アプローチ(V3H)を提案する。
V3Hは、不完全なマルチビューデータから一貫した情報とユニークな情報を同時に学習するためのクラスタリングアルゴリズムに遺伝学を導入する最初の研究である可能性がある。
論文 参考訳（メタデータ） (2020-11-23T03:24:48Z) - 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。