論文の概要: Integrative Clustering of Multi-View Data by Nonnegative Matrix Factorization

• arxiv url: http://arxiv.org/abs/2110.13240v1
• Date: Mon, 25 Oct 2021 19:58:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 13:45:55.914397
• Title: Integrative Clustering of Multi-View Data by Nonnegative Matrix Factorization
• Title（参考訳）: 非負行列分解による多視点データの統合クラスタリング
• Authors: Shuo Shuo Liu and Lin Lin
• Abstract要約: 非負行列分解(NMF)は、複数の視点から情報を統合するための一般的な次元還元法である。 多くのマルチビューNMFアルゴリズムは、各ビューに等しい重みを割り当てたり、ラインサーチによる重みを経験的に調整する。 本稿では,ビュー固有の重みと観測固有の重みの両方を学習し,各ビューの情報内容を定量化するための重み付き多視点NMF (WM-NMF) アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.2405500742118787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning multi-view data is an emerging problem in machine learning research, and nonnegative matrix factorization (NMF) is a popular dimensionality-reduction method for integrating information from multiple views. These views often provide not only consensus but also diverse information. However, most multi-view NMF algorithms assign equal weight to each view or tune the weight via line search empirically, which can be computationally expensive or infeasible without any prior knowledge of the views. In this paper, we propose a weighted multi-view NMF (WM-NMF) algorithm. In particular, we aim to address the critical technical gap, which is to learn both view-specific and observation-specific weights to quantify each view's information content. The introduced weighting scheme can alleviate unnecessary views' adverse effects and enlarge the positive effects of the important views by assigning smaller and larger weights, respectively. In addition, we provide theoretical investigations about the convergence, perturbation analysis, and generalization error of the WM-NMF algorithm. Experimental results confirm the effectiveness and advantages of the proposed algorithm in terms of achieving better clustering performance and dealing with the corrupted data compared to the existing algorithms.
• Abstract（参考訳）: マルチビューデータの学習は機械学習研究において新たな問題であり、非負行列分解(NMF)は複数のビューから情報を統合するための一般的な次元性還元法である。 これらの見解はしばしばコンセンサスだけでなく多様な情報も提供する。 しかし、多くのマルチビューnmfアルゴリズムは、各ビューに等しい重みを割り当てたり、ラインサーチを通じて経験的に重みを調整したりする。 本稿では,重み付きマルチビューNMF(WM-NMF)アルゴリズムを提案する。 特に,ビュー固有の重みと観察特有の重みを学習し,各ビューの情報内容を定量化することを目的とする。 導入された重み付けスキームは不要なビューの悪影響を緩和し、より小さいビューとより大きなビューを割り当てることで重要なビューのポジティブな効果を増大させることができる。 さらに,WM-NMFアルゴリズムの収束,摂動解析,一般化誤差について理論的検討を行った。 提案アルゴリズムの有効性と利点を,クラスタリング性能の向上と,既存のアルゴリズムと比較して劣化したデータ処理の観点から検証した。

関連論文リスト

• 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)
• Incremental Unsupervised Feature Selection for Dynamic Incomplete Multi-view Data [16.48538951608735]
  実際のアプリケーションでは、マルチビューデータは不完全であることが多い。 本稿では,不完全なマルチビューストリーミングデータに対して,インクリメンタルな不完全なマルチビュー非教師付き特徴選択法(I$2$MUFS)を提案する。
  論文  参考訳（メタデータ） (2022-04-05T16:29:39Z)
• Uncertainty-Aware Multi-View Representation Learning [53.06828186507994]
  動的不確実性認識ネットワーク(DUA-Nets)と呼ばれる新しい教師なし多視点学習手法を考案する。 生成視点から推定されるデータの不確実性により、複数の視点からの固有情報が統合され、ノイズのない表現が得られる。 本モデルでは, 広範囲な実験において優れた性能を示し, ノイズの多いデータに対するロバスト性を示す。
  論文  参考訳（メタデータ） (2022-01-15T07:16:20Z)
• Attentive Multi-View Deep Subspace Clustering Net [4.3386084277869505]
  我々は,AMVDSN(Attentive Multi-View Deep Subspace Nets)を提案する。 提案手法は,コンセンサス情報とビュー固有情報の両方を明示的に考慮した有意な潜在表現を求める。 7つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-12-23T12:57:26Z)
• Multi-view Clustering via Deep Matrix Factorization and Partition Alignment [43.56334737599984]
  本稿では,深層行列分解と分割アライメントによる新しいマルチビュークラスタリングアルゴリズムを提案する。 収束性が証明された最適化問題を解くために交互最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-05-01T15:06:57Z)
• Multi-view Clustering with Deep Matrix Factorization and Global Graph Refinement [37.34296330445708]
  マルチビュークラスタリングは、機械学習とデータマイニングにおいて重要かつ困難なタスクです。 本稿では,ディープセミnmfとグローバルグラフリファインメント(mvc-dmf-ggr)を用いたマルチビュークラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2021-05-01T13:40:20Z)
• Partially Shared Semi-supervised Deep Matrix Factorization with Multi-view Data [3.198381558122369]
  部分共有半教師付き深層行列分解モデル(PSDMF)を提案する。 部分共有深部分解構造、グラフ正規化、半教師付き回帰モデルを統合することにより、PSDMFはコンパクトで効率的な識別表現を学習できる。 5つのベンチマークデータセットの実験により、PSDMFは最先端のマルチビュー学習アプローチよりも優れたパフォーマンスを達成できることが示された。
  論文  参考訳（メタデータ） (2020-12-02T06:59:41Z)
• 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)
• Deep Partial Multi-View Learning [94.39367390062831]
  クロスパーシャル・マルチビュー・ネットワーク(CPM-Nets)と呼ばれる新しいフレームワークを提案する。 我々はまず、多視点表現に対する完全性と汎用性の形式的な定義を提供する。 そして、理論的に学習された潜在表現の多元性を証明する。
  論文  参考訳（メタデータ） (2020-11-12T02:29:29Z)
• 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)
• Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning [70.67092105994598]
  本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。 特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。 6つの公開データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-13T01:13:23Z)

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。