論文の概要: Multi-view Subspace Adaptive Learning via Autoencoder and Attention

• arxiv url: http://arxiv.org/abs/2201.00171v1
• Date: Sat, 1 Jan 2022 11:31:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-05 00:47:13.444431
• Title: Multi-view Subspace Adaptive Learning via Autoencoder and Attention
• Title（参考訳）: オートエンコーダと注意による多視点サブスペース適応学習
• Authors: Jian-wei Liu, Hao-jie Xie, Run-kun Lu, and Xiong-lin Luo
• Abstract要約: 我々は,アテンションとオートエンコーダ(MSALAA)に基づくマルチビューサブスペース適応学習を提案する。 この方法は、ディープオートエンコーダと、様々なビューの自己表現を調整する方法を組み合わせる。 6つの実生活データセット上で,既存のベースライン手法に対する顕著な改善を実証的に観察した。
• 参考スコア（独自算出の注目度）: 3.8574404853067215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view learning can cover all features of data samples more comprehensively, so multi-view learning has attracted widespread attention. Traditional subspace clustering methods, such as sparse subspace clustering (SSC) and low-ranking subspace clustering (LRSC), cluster the affinity matrix for a single view, thus ignoring the problem of fusion between views. In our article, we propose a new Multiview Subspace Adaptive Learning based on Attention and Autoencoder (MSALAA). This method combines a deep autoencoder and a method for aligning the self-representations of various views in Multi-view Low-Rank Sparse Subspace Clustering (MLRSSC), which can not only increase the capability to non-linearity fitting, but also can meets the principles of consistency and complementarity of multi-view learning. We empirically observe significant improvement over existing baseline methods on six real-life datasets.
• Abstract（参考訳）: マルチビュー学習はデータサンプルの全ての特徴をより包括的にカバーできるため、マルチビュー学習は広く注目を集めている。 sparse subspace clustering(ssc)やlow-grade subspace clustering(lrsc)といった従来のサブスペースクラスタリング手法では、単一のビューに対して親和性マトリックスをクラスタ化することで、ビュー間の融合の問題を無視している。 本稿では,アテンション・アンド・オートエンコーダ(MSALAA)に基づくマルチビューサブスペース適応学習を提案する。 深層オートエンコーダと多視点低ランクスパースサブスペースクラスタリング(MLRSSC)における様々なビューの自己表現を整合させる手法を組み合わせることで、非直線性適合性の向上だけでなく、多視点学習の一貫性と相補性の原則を満たすことができる。 6つの実生活データセット上で,既存のベースライン手法に対する顕著な改善を実証的に観察した。

関連論文リスト

• Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
  既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。 本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-29T03:35:34Z)
• 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)
• Self-Learning Symmetric Multi-view Probabilistic Clustering [50.32622999323709]
  マルチビュークラスタリング(MVC)は、複数の視点から知識を学ぶための多くの取り組みによって、大きな進歩を遂げている。 既存のほとんどのメソッドは適用できないか、あるいは不完全なMVCに追加の手順を必要とする。 自己学習対称多視点確率クラスタリングという,不完全かつ完全なMVCのための新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-12T08:27:03Z)
• Subspace-Contrastive Multi-View Clustering [0.0]
  本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。 ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。 提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
  論文  参考訳（メタデータ） (2022-10-13T07:19:37Z)
• 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)
• 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)
• Tensor-based Intrinsic Subspace Representation Learning for Multi-view Clustering [18.0093330816895]
  本稿では,マルチビュークラスタリングのための新規な固有部分空間表現(TISRL)を提案する。 異なる視点に含まれる特定の情報は、階級保存分解によって完全に調査されていることが分かる。 9つの一般的な実世界のマルチビューデータセットの実験結果は、TISRLの優位性を示している。
  論文  参考訳（メタデータ） (2020-10-19T03:36:18Z)
• 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)
• Multi-view Deep Subspace Clustering Networks [64.29227045376359]
  マルチビューサブスペースクラスタリングは、相補的な情報の複数のビューを融合することによって、データ固有の構造を発見することを目的としている。 本稿では,MvDSCN(Multi-view Deep Subspace Clustering Networks)を提案する。 MvDSCNはクラスタリング性能を高めるために複数のバックボーンを統合する。
  論文  参考訳（メタデータ） (2019-08-06T06:44:43Z)

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。