論文の概要: Adaptive Attribute and Structure Subspace Clustering Network

• arxiv url: http://arxiv.org/abs/2109.13742v1
• Date: Tue, 28 Sep 2021 14:00:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 18:54:28.373270
• Title: Adaptive Attribute and Structure Subspace Clustering Network
• Title（参考訳）: 適応属性と構造サブスペースクラスタリングネットワーク
• Authors: Zhihao Peng, Hui Liu, Yuheng Jia, Junhui Hou
• Abstract要約: 自己表現型サブスペースクラスタリングネットワークを提案する。 まず、入力データサンプルを表現する自動エンコーダについて検討する。 そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。 構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
• 参考スコア（独自算出の注目度）: 49.040136530379094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep self-expressiveness-based subspace clustering methods have demonstrated effectiveness. However, existing works only consider the attribute information to conduct the self-expressiveness, which may limit the clustering performance. In this paper, we propose a novel adaptive attribute and structure subspace clustering network (AASSC-Net) to simultaneously consider the attribute and structure information in an adaptive graph fusion manner. Specifically, we first exploit an auto-encoder to represent input data samples with latent features for the construction of an attribute matrix. We also construct a mixed signed and symmetric structure matrix to capture the local geometric structure underlying data samples. Then, we perform self-expressiveness on the constructed attribute and structure matrices to learn their affinity graphs separately. Finally, we design a novel attention-based fusion module to adaptively leverage these two affinity graphs to construct a more discriminative affinity graph. Extensive experimental results on commonly used benchmark datasets demonstrate that our AASSC-Net significantly outperforms state-of-the-art methods. In addition, we conduct comprehensive ablation studies to discuss the effectiveness of the designed modules. The code will be publicly available at https://github.com/ZhihaoPENG-CityU.
• Abstract（参考訳）: 自己表現性に基づく部分空間クラスタリング手法の有効性が実証されている。 しかし、既存の作品では自己表現を行う属性情報のみを考慮しており、クラスタリングのパフォーマンスが制限される可能性がある。 本稿では,アダプティブグラフ融合方式で属性と構造情報を同時に検討するための,新しいアダプティブ属性と構造サブスペースクラスタリングネットワーク(AASSC-Net)を提案する。 具体的には,まず自動エンコーダを利用して,属性行列の構築に潜在的な特徴を持つ入力データサンプルを表現する。 また,データサンプル中の局所幾何構造を捉えるために,符号付きおよび対称構造の混合行列を構築した。 そして、構築された属性と構造行列に対して自己表現を行い、それらの親和性グラフを別々に学習する。 最後に,これら2つの親和性グラフを適応的に活用し,より識別的な親和性グラフを構築するために,注意に基づく新しい融合モジュールを設計した。 一般的なベンチマークデータセットの広範な実験結果から、aassc-netが最先端のメソッドを大幅に上回っていることが分かりました。 さらに,設計モジュールの有効性を検討するため,包括的アブレーション研究を行った。 コードはhttps://github.com/zhihaopeng-cityuで公開される予定だ。

関連論文リスト

• Multi-view clustering integrating anchor attribute and structural information [1.4750411676439674]
  本稿では,新しいマルチビュークラスタリングアルゴリズムであるAASを紹介する。 各ビューのアンカーを介して2段階の近接アプローチを利用し、属性と方向付けされた構造情報を統合する。
  論文  参考訳（メタデータ） (2024-10-29T03:53:03Z)
• AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Exploiting Contextual Target Attributes for Target Sentiment Classification [53.30511968323911]
  TSCの既存のPTLMベースモデルは、1)PTLMをコンテキストエンコーダとして採用した微調整ベースモデル、2)テキスト/単語生成タスクに分類タスクを転送するプロンプトベースモデル、の2つのグループに分類される。 我々は,PTLM を TSC に活用する新たな視点として,言語モデリングと文脈的ターゲット属性による明示的ターゲットコンテキスト相互作用の利点を同時に活用する。
  論文  参考訳（メタデータ） (2023-12-21T11:45:28Z)
• Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
  グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。 グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。 グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:53:30Z)
• Siamese Attribute-missing Graph Auto-encoder [35.79233150253881]
  我々は,Samese Attribute-missing Graph Auto-Encoder (SAGA)を提案する。 まず、両方のプロセスで学習したパラメータを共有するために、シアムネットワーク構造を導入することで、属性の埋め込みと構造埋め込みを絡み合わせる。 第二に, K-nearest neighbor (KNN) と構造制約強化学習機構を導入し, 欠落属性の潜伏特性の質を向上させる。
  論文  参考訳（メタデータ） (2021-12-09T11:21:31Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Deep Attributed Network Representation Learning via Attribute Enhanced Neighborhood [10.954489956418191]
  帰結型ネットワーク表現学習は、ネットワーク構造と属性情報の統合によるノード埋め込みの学習を目標としている。 微視的構造と属性のセマンティクスを同時に捉えることは困難である。 ノード表現の堅牢性と有効性を向上させるために,属性強化近傍(DANRL-ANE)モデルを用いたディープアトリビュートネットワーク表現学習を提案する。
  論文  参考訳（メタデータ） (2021-04-12T07:03:16Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。