論文の概要: Consistent Multiple Graph Embedding for Multi-View Clustering

• arxiv url: http://arxiv.org/abs/2105.04880v1
• Date: Tue, 11 May 2021 09:08:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 22:37:16.836060
• Title: Consistent Multiple Graph Embedding for Multi-View Clustering
• Title（参考訳）: マルチビュークラスタリングのための一貫性のある多重グラフ埋め込み
• Authors: Yiming Wang, Dongxia Chang, Zhiqiang Fu and Yao Zhao
• Abstract要約: Consistent Multiple Graph Embedding Clustering framework (CMGEC) を提案する。 具体的には,マルチビューデータの補完情報を柔軟に符号化するマルチグラフオートエンコーダを設計する。 各ビューにおける隣り合う特徴の類似性を維持するための学習共通表現を導くため、MMIM(Multi-view Mutual Information Maximization Module)を導入する。
• 参考スコア（独自算出の注目度）: 41.17336912278538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based multi-view clustering aiming to obtain a partition of data across multiple views, has received considerable attention in recent years. Although great efforts have been made for graph-based multi-view clustering, it remains a challenge to fuse characteristics from various views to learn a common representation for clustering. In this paper, we propose a novel Consistent Multiple Graph Embedding Clustering framework(CMGEC). Specifically, a multiple graph auto-encoder(M-GAE) is designed to flexibly encode the complementary information of multi-view data using a multi-graph attention fusion encoder. To guide the learned common representation maintaining the similarity of the neighboring characteristics in each view, a Multi-view Mutual Information Maximization module(MMIM) is introduced. Furthermore, a graph fusion network(GFN) is devised to explore the relationship among graphs from different views and provide a common consensus graph needed in M-GAE. By jointly training these models, the common latent representation can be obtained which encodes more complementary information from multiple views and depicts data more comprehensively. Experiments on three types of multi-view datasets demonstrate CMGEC outperforms the state-of-the-art clustering methods.
• Abstract（参考訳）: 近年,複数のビューにまたがるデータの分割を目的としたグラフベースのマルチビュークラスタリングが注目されている。 グラフベースのマルチビュークラスタリングには多大な努力が払われているが、さまざまなビューの特徴を融合してクラスタリングの共通表現を学ぶことは依然として困難である。 本稿では,新しい一貫性のある複数グラフ埋め込みクラスタリングフレームワーク(cmgec)を提案する。 具体的には、マルチグラフアテンション融合エンコーダを用いて、マルチビューデータの補完情報を柔軟に符号化するマルチグラフオートエンコーダ(M-GAE)を設計する。 各ビューにおける隣り合う特徴の類似性を維持するための学習共通表現を導くため、MMIM(Multi-view Mutual Information Maximization Module)を導入する。 さらに、異なる視点からグラフ間の関係を探索し、M-GAEに必要な共通コンセンサスグラフを提供するために、グラフ融合ネットワーク(GFN)が考案された。 これらのモデルを共同でトレーニングすることで、複数のビューからより補完的な情報をエンコードし、より包括的にデータを描写する共通潜在表現を得ることができる。 3種類のマルチビューデータセットの実験では、CMGECは最先端のクラスタリング手法よりも優れていた。

関連論文リスト

• Dual Information Enhanced Multi-view Attributed Graph Clustering [11.624319530337038]
  本稿では,Dual Information enhanced Multi-view Attributed Graph Clustering (DIAGC)法を提案する。 提案手法では,複数の視点からのコンセンサスと特定情報の探索を阻害する特定情報再構成(SIR)モジュールを提案する。 相互情報最大化(MIM)モジュールは、潜在高レベル表現と低レベル表現との合意を最大化し、高レベル表現が所望のクラスタリング構造を満たすことを可能にする。
  論文  参考訳（メタデータ） (2022-11-28T01:18:04Z)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• Variational Graph Generator for Multi-View Graph Clustering [13.721803208437755]
  マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。 複数のグラフに対する事前仮定に基づいて、信頼性のある変分収束グラフを推定するために、新しい変分グラフ生成法を提案する。 単純なグラフエンコーダとマルチビュークラスタリングの目的を併用して,クラスタリングのためのグラフ埋め込みを学習する。
  論文  参考訳（メタデータ） (2022-10-13T13:19:51Z)
• Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity [63.85428043085567]
  本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。 ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。 FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2022-03-22T09:51:24Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• 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)
• Learning Multi-layer Graphs and a Common Representation for Clustering [13.90938823562779]
  スペクトルクラスタリングのための共有エンティティのマルチビューデータからグラフ学習に着目する。 本稿では,この問題を解決するために,最小化の交互化に基づく効率的な解法を提案する。 合成データセットと実データセットの数値実験により,提案アルゴリズムは最先端のマルチビュークラスタリング技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-23T11:12:43Z)
• Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
  グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。 本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
  論文  参考訳（メタデータ） (2020-08-24T06:11:29Z)
• Consistent and Complementary Graph Regularized Multi-view Subspace Clustering [31.187031653119025]
  本研究では,複数のビューが一貫した情報を含み,それぞれのビューが相補的な情報を含むマルチビュークラスタリングの問題について検討する。 本稿では、一貫したグラフ正規化マルチビューサブスペースクラスタリング(GRMSC)を含む手法を提案する。 目的関数は多視点クラスタリングを実現するために拡張ラグランジアン乗算法により最適化される。
  論文  参考訳（メタデータ） (2020-04-07T03:48:08Z)
• 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。