論文の概要: Incomplete Multi-view Clustering via Cross-view Relation Transfer

• arxiv url: http://arxiv.org/abs/2112.00739v1
• Date: Wed, 1 Dec 2021 14:28:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-04 12:51:43.779556
• Title: Incomplete Multi-view Clustering via Cross-view Relation Transfer
• Title（参考訳）: クロスビュー関係転送による不完全マルチビュークラスタリング
• Authors: Yiming Wang, Dongxia Chang, Zhiqiang Fu, Yao Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.17336912278538
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this paper, we consider the problem of multi-view clustering on incomplete views. Compared with complete multi-view clustering, the view-missing problem increases the difficulty of learning common representations from different views. To address the challenge, we propose a novel incomplete multi-view clustering framework, which incorporates cross-view relation transfer and multi-view fusion learning. Specifically, based on the consistency existing in multi-view data, we devise a cross-view relation transfer-based completion module, which transfers known similar inter-instance relationships to the missing view and recovers the missing data via graph networks based on the transferred relationship graph. Then the view-specific encoders are designed to extract the recovered multi-view data, and an attention-based fusion layer is introduced to obtain the common representation. Moreover, to reduce the impact of the error caused by the inconsistency between views and obtain a better clustering structure, a joint clustering layer is introduced to optimize recovery and clustering simultaneously. Extensive experiments conducted on several real datasets demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 本稿では,不完全ビューにおけるマルチビュークラスタリングの問題について考察する。 完全なマルチビュークラスタリングと比較して、ビューミス問題は、異なるビューから共通の表現を学ぶことの難しさを増大させる。 そこで本研究では,クロスビュー関係伝達とマルチビュー融合学習を組み合わせた,新しい不完全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。 具体的には、マルチビューデータに存在する一貫性に基づいて、類似のインスタンス間関係を欠落ビューに転送し、転送された関係グラフに基づいたグラフネットワークを介して欠落データを復元するクロスビュー関係転送ベース補完モジュールを考案する。 次に、検索したマルチビューデータを抽出するビュー固有エンコーダを設計し、その共通表現を得るために、注目ベースの融合層を導入する。 さらに、ビュー間の不整合によるエラーの影響を低減し、より優れたクラスタリング構造を得るために、回復とクラスタリングを同時に最適化する共同クラスタリング層を導入する。 実データを用いた大規模実験により,提案手法の有効性が実証された。

関連論文リスト

• Unpaired Multi-View Graph Clustering with Cross-View Structure Matching [39.310384044597065]
  既存のMVCメソッドの多くは、マルチビューデータが完全にペアリングされていると仮定している。 データ通信は、データ破損やセンサーの違いにより、現実世界のアプリケーションでは不完全であることが多い。 本稿では,クロスビュー構造マッチングを用いたパラメータフリーグラフクラスタリングフレームワークUnpaired Multi-view Graph Clusteringフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-07T09:29:44Z)
• Incomplete Multi-view Clustering via Diffusion Completion [0.0]
  本稿では,不完全なマルチビュークラスタリングフレームワークに組み込まれている不完全なビューを復元する拡散補完法を提案する。 観測可能なビュー情報に基づいて、拡散モデルを用いて、行方不明のビューを復元する。 提案手法は,最先端の手法と比較して,クラスタリング性能が優れている一方で,欠落したビューの回復に有効である。
  論文  参考訳（メタデータ） (2023-05-19T07:39:24Z)
• GCFAgg: Global and Cross-view Feature Aggregation for Multi-view Clustering [45.530950521907265]
  マルチビュークラスタリングは、教師なしの方法でコンセンサス表現を学習することで、データサンプルをカテゴリに分割することができる。 GggMVC(Global and Cross-view Feature aggregate for Multi-View Clustering)と呼ばれる新しいマルチビュークラスタリングネットワークを提案する。 提案手法は,完全多視点データクラスタリングタスクと不完全多視点データクラスタリングタスクの両方において,優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-05-11T13:41:13Z)
• 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)
• Deep Multi-View Semi-Supervised Clustering with Sample Pairwise Constraints [10.226754903113164]
  本稿では,ネットワークファインタニングにおける3種類の損失を協調的に最適化するDMSC法を提案する。 提案手法は,最先端のマルチビューやシングルビューの競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-10T08:51:56Z)
• 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)
• 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。