論文の概要: Locality Relationship Constrained Multi-view Clustering Framework

• arxiv url: http://arxiv.org/abs/2107.05073v1
• Date: Sun, 11 Jul 2021 15:45:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 03:17:20.273058
• Title: Locality Relationship Constrained Multi-view Clustering Framework
• Title（参考訳）: 局所性を考慮したマルチビュークラスタリングフレームワーク
• Authors: Xiangzhu Meng, Wei Wei, Wenzhe Liu
• Abstract要約: 局所性関連制約付きマルチビュークラスタリングフレームワーク(LRC-MCF)について述べる。 様々な視点の多様性、幾何学、コンセンサス、補完的な情報を探究することを目的としている。 LRC-MCFは、共通視点の局所性構造を見つける際に、異なる視点の重みを十分に考慮する。
• 参考スコア（独自算出の注目度）: 5.586948325488168
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In most practical applications, it's common to utilize multiple features from different views to represent one object. Among these works, multi-view subspace-based clustering has gained extensive attention from many researchers, which aims to provide clustering solutions to multi-view data. However, most existing methods fail to take full use of the locality geometric structure and similarity relationship among samples under the multi-view scenario. To solve these issues, we propose a novel multi-view learning method with locality relationship constraint to explore the problem of multi-view clustering, called Locality Relationship Constrained Multi-view Clustering Framework (LRC-MCF). LRC-MCF aims to explore the diversity, geometric, consensus and complementary information among different views, by capturing the locality relationship information and the common similarity relationships among multiple views. Moreover, LRC-MCF takes sufficient consideration to weights of different views in finding the common-view locality structure and straightforwardly produce the final clusters. To effectually reduce the redundancy of the learned representations, the low-rank constraint on the common similarity matrix is considered additionally. To solve the minimization problem of LRC-MCF, an Alternating Direction Minimization (ADM) method is provided to iteratively calculate all variables LRC-MCF. Extensive experimental results on seven benchmark multi-view datasets validate the effectiveness of the LRC-MCF method.
• Abstract（参考訳）: ほとんどの実用的なアプリケーションでは、異なるビューから複数の機能を使って1つのオブジェクトを表現するのが一般的です。 これらの研究の中で、マルチビューサブスペースベースのクラスタリングは、マルチビューデータのクラスタリングソリューションを提供することを目的として、多くの研究者から注目を集めている。 しかし、既存の手法のほとんどは、多視点シナリオ下でのサンプル間の局所性幾何学的構造と類似性の関係を十分に利用できない。 そこで本研究では,局所性制約付きマルチビュークラスタリングフレームワーク (lrc-mcf) と呼ばれるマルチビュークラスタリングの問題を検討するために,局所性制約付きマルチビュー学習手法を提案する。 LRC-MCFは,多視点間の局所性関係情報と共通類似性関係を捉えることにより,異なる視点間の多様性,幾何学的,コンセンサス,相補的情報を探索することを目的としている。 さらに、LCC-MCFは、共通ビューの局所性構造を見つける際に異なる視点の重みを十分に考慮し、最終的なクラスタを直接生成する。 学習表現の冗長性を効果的に低減するため、共通類似性行列に対する低ランク制約も考慮される。 LRC-MCFの最小化問題を解決するために、全ての変数を反復的に計算する交代方向最小化(ADM)法が提供される。 7つのベンチマークマルチビューデータセットの広範な実験結果により、lrc-mcf法の有効性が検証された。

関連論文リスト

• Multi-level Reliable Guidance for Unpaired Multi-view Clustering [7.441454668534061]
  MRG-UMC(Multi-level Reliable Guidance for UMC) という手法を提案する。 MRG-UMCはマルチレベルクラスタリングを活用して、インナービュー、クロスビュー、コモンビューにわたる信頼できるクラスタ構造を学習する。 クロスビュー学習では、信頼性の高いビューガイダンスは、他のビューにおけるクラスタ構造の信頼性を高める。
  論文  参考訳（メタデータ） (2024-07-01T12:49:55Z)
• 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)
• Joint Multi-View Collaborative Clustering [0.0]
  マルチビューデータは、従来のシングルビューデータよりもリッチな情報を提供する。 マルチビュークラスタリングアルゴリズムの目標は、複数のビューで共有される共通の潜在構造を見つけることである。 本稿では,JMVCC(Joint Multi-View Collaborative Clustering)ソリューションを提案する。
  論文  参考訳（メタデータ） (2023-10-25T08:23:45Z)
• A Novel Approach for Effective Multi-View Clustering with Information-Theoretic Perspective [24.630259061774836]
  本研究では,多視点クラスタリングフレームワークを情報理論の観点から検討する,SUMVC(Sufficient Multi-View Clustering)と呼ばれる新しい手法を提案する。 まず,変分解析を用いて一貫した情報を生成する,シンプルで信頼性の高いマルチビュークラスタリング手法SCMVCを開発する。 次に、一貫した情報を強化し、ビュー間の不要な情報を最小限に抑えるのに十分な表現境界を提案する。
  論文  参考訳（メタデータ） (2023-09-25T09:41:11Z)
• 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)
• Incomplete Multi-view Clustering via Cross-view Relation Transfer [41.17336912278538]
  クロスビュー・リレーション・トランスファーとマルチビュー・フュージョン・ラーニングを組み合わせた,新しい不完全なマルチビュー・クラスタリング・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,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-12-01T14:28:15Z)
• 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)
• Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
  本稿では,最適コンセンサスを近似する凝集分析法を提案する。 本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
  論文  参考訳（メタデータ） (2020-05-12T05:39:10Z)
• 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。