論文の概要: TSK Fuzzy System Towards Few Labeled Incomplete Multi-View Data
Classification
- arxiv url: http://arxiv.org/abs/2110.05610v1
- Date: Fri, 8 Oct 2021 11:41:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 13:15:37.386896
- Title: TSK Fuzzy System Towards Few Labeled Incomplete Multi-View Data
Classification
- Title（参考訳）: TSKファジィシステムによる不完全多視点データ分類
- Authors: Wei Zhang, Zhaohong Deng, Qiongdan Lou, Te Zhang, Kup-Sze Choi,
Shitong Wang
- Abstract要約: これらの課題に対処するために,トランスダクティブ半教師付きマルチビューTSKファジィシステムモデリング法(SSIMV_TSK)を提案する。
提案手法は,未知のビュー計算,ラベルなしデータの擬似ラベル学習,ファジィシステムモデリングをひとつのプロセスに統合し,解釈可能なファジィルールを持つモデルを生成する。
実データを用いた実験の結果,提案手法は最先端の手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 24.01191516774655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data collected by multiple methods or from multiple sources is called
multi-view data. To make full use of the multi-view data, multi-view learning
plays an increasingly important role. Traditional multi-view learning methods
rely on a large number of labeled and completed multi-view data. However, it is
expensive and time-consuming to obtain a large number of labeled multi-view
data in real-world applications. Moreover, multi-view data is often incomplete
because of data collection failures, self-deficiency, or other reasons.
Therefore, we may have to face the problem of fewer labeled and incomplete
multi-view data in real application scenarios. In this paper, a transductive
semi-supervised incomplete multi-view TSK fuzzy system modeling method
(SSIMV_TSK) is proposed to address these challenges. First, in order to
alleviate the dependency on labeled data and keep the model interpretable, the
proposed method integrates missing view imputation, pseudo label learning of
unlabeled data, and fuzzy system modeling into a single process to yield a
model with interpretable fuzzy rules. Then, two new mechanisms, i.e. the
bidirectional structural preservation of instance and label, as well as the
adaptive multiple alignment collaborative learning, are proposed to improve the
robustness of the model. The proposed method has the following distinctive
characteristics: 1) it can deal with the incomplete and few labeled multi-view
data simultaneously; 2) it integrates the missing view imputation and model
learning as a single process, which is more efficient than the traditional
two-step strategy; 3) attributed to the interpretable fuzzy inference rules,
this method is more interpretable. Experimental results on real datasets show
that the proposed method significantly outperforms the state-of-the-art
methods.
- Abstract（参考訳）: 複数のメソッドや複数のソースから収集されたデータは、マルチビューデータと呼ばれる。
マルチビューデータを完全に活用するためには、マルチビュー学習がますます重要な役割を果たす。
従来のマルチビュー学習法は、多数のラベル付きおよび完成したマルチビューデータに依存している。
しかし、現実世界のアプリケーションで大量のラベル付きマルチビューデータを取得するのは高価で時間がかかります。
さらに、マルチビューデータは、データ収集の失敗、自己欠陥、その他の理由により、しばしば不完全である。
したがって、実際のアプリケーションシナリオではラベル付きや不完全なマルチビューデータが少ないという問題に直面しなければならない。
本稿では,これらの課題に対処するために,トランスダクティブ半教師付きマルチビューTSKファジィシステムモデリング手法(SSIMV_TSK)を提案する。
まず、ラベル付きデータへの依存性を緩和し、モデルを解釈可能にするため、提案手法では、欠落したビューインプテーション、ラベル付きデータの擬似ラベル学習、ファジィシステムモデリングを単一のプロセスに統合し、解釈可能なファジィルールによるモデルを生成する。
次に,2つの新しいメカニズム,すなわちインスタンスとラベルの双方向構造保存,および適応型多重アライメント協調学習を提案し,モデルの堅牢性を向上させる。
提案手法の特徴は以下のとおりである。
1)不完全かつラベル付きマルチビューデータを同時に扱うことができる。
2) 従来の2段階戦略よりも効率的で,1つのプロセスとして欠落したビューインプテーションとモデル学習を統合する。
3) 解釈可能なファジィ推論規則により, より解釈可能な手法である。
実データを用いた実験の結果,提案手法は最先端の手法よりも優れていた。
関連論文リスト
- 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) - Multi-view Fuzzy Representation Learning with Rules based Model [25.997490574254172]
教師なしマルチビュー表現学習は、マルチビューデータをマイニングするために広く研究されている。
本稿では,MVRL_FSを用いた多視点ファジィ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-09-20T17:13:15Z) - Multi-View Class Incremental Learning [57.14644913531313]
マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。
本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
論文 参考訳（メタデータ） (2023-06-16T08:13:41Z) - Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。
既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。
我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文 参考訳（メタデータ） (2023-03-30T03:09:25Z) - DICNet: Deep Instance-Level Contrastive Network for Double Incomplete
Multi-View Multi-Label Classification [20.892833511657166]
実世界におけるマルチビューマルチラベルデータは、データ収集や手動アノテーションの不確実性のため、一般的に不完全である。
本稿では,DICNetという深層インスタンスレベルのコントラストネットワークを提案し,二重不完全なマルチラベル分類問題に対処する。
我々のDICNetは、マルチビュー多ラベルデータの一貫した識別的表現を捉え、欠落したビューと欠落したラベルの負の影響を避けることに長けている。
論文 参考訳（メタデータ） (2023-03-15T04:24:01Z) - 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) - Latent Heterogeneous Graph Network for Incomplete Multi-View Learning [57.49776938934186]
非完全多視点学習のための新しい遅延不均質グラフネットワーク(LHGN)を提案する。
統一された潜在表現を学習することにより、異なる視点間の一貫性と相補性の間のトレードオフが暗黙的に実現される。
学習とテストフェーズの不整合を回避するため,分類タスクのグラフ学習に基づくトランスダクティブ学習手法を適用した。
論文 参考訳（メタデータ） (2022-08-29T15:14:21Z) - Variational Distillation for Multi-View Learning [104.17551354374821]
我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。
厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
論文 参考訳（メタデータ） (2022-06-20T03:09:46Z) - Uncorrelated Semi-paired Subspace Learning [7.20500993803316]
一般化された非相関なマルチビューサブスペース学習フレームワークを提案する。
フレームワークの柔軟性を示すために,教師なし学習と教師なし学習の両方のための5つの新しいセミペアモデルをインスタンス化する。
提案するモデルは,ベースラインよりも競争力が高い。
論文 参考訳（メタデータ） (2020-11-22T22:14:20Z) - 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。