論文の概要: Multi-view Data Classification with a Label-driven Auto-weighted Strategy

• arxiv url: http://arxiv.org/abs/2201.00714v1
• Date: Mon, 3 Jan 2022 15:27:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-04 14:50:36.912020
• Title: Multi-view Data Classification with a Label-driven Auto-weighted Strategy
• Title（参考訳）: ラベル駆動型自動重み付け戦略を用いたマルチビューデータ分類
• Authors: Yuyuan Yu, Guoxu Zhou, Haonan Huang, Shengli Xie, Qibin Zhao
• Abstract要約: ラベルの観点から,ビューの重要性を評価するための自己重み付け戦略を提案する。 この戦略に基づいて,トランスダクティブな半教師付き自動重み付きマルチビュー分類モデルを提案する。 提案手法は,最適あるいは準最適の分類精度を最小計算コストで達成する。
• 参考スコア（独自算出の注目度）: 32.581793437017716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distinguishing the importance of views has proven to be quite helpful for semi-supervised multi-view learning models. However, existing strategies cannot take advantage of semi-supervised information, only distinguishing the importance of views from a data feature perspective, which is often influenced by low-quality views then leading to poor performance. In this paper, by establishing a link between labeled data and the importance of different views, we propose an auto-weighted strategy to evaluate the importance of views from a label perspective to avoid the negative impact of unimportant or low-quality views. Based on this strategy, we propose a transductive semi-supervised auto-weighted multi-view classification model. The initialization of the proposed model can be effectively determined by labeled data, which is practical. The model is decoupled into three small-scale sub-problems that can efficiently be optimized with a local convergence guarantee. The experimental results on classification tasks show that the proposed method achieves optimal or sub-optimal classification accuracy at the lowest computational cost compared to other related methods, and the weight change experiments show that our proposed strategy can distinguish view importance more accurately than other related strategies on multi-view datasets with low-quality views.
• Abstract（参考訳）: ビューの重要性を区別することは、半教師付きマルチビュー学習モデルにとって非常に有用であることが証明されている。 しかし、既存の戦略は、半教師付き情報を利用することができず、データ特徴の観点からビューの重要性を区別するだけで、しばしば低品質なビューに影響され、パフォーマンスが低下する。 本稿では,ラベル付きデータと異なる視点の重要性とのリンクを確立することにより,ラベル的視点から視点の重要性を評価し,重要でない,あるいは低品質な視点の悪影響を避けるための自動強調戦略を提案する。 この戦略に基づき,半教師付き自己重み付きマルチビュー分類モデルを提案する。 提案モデルの初期化は,実用的なラベル付きデータによって効果的に決定できる。 モデルは3つの小さなサブプロブレムに分解され、局所収束保証で効率的に最適化できる。 分類課題における実験の結果から,提案手法は他の関連する手法と比較して計算コストが最も低く,最適または準最適の分類精度が得られ,提案手法は低品質のマルチビューデータセットにおける他の関連する戦略よりも視点の重要性をより正確に識別できることが示された。

関連論文リスト

• Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
  部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。 既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。 非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T19:16:01Z)
• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• A Novel Approach for Effective Multi-View Clustering with Information-Theoretic Perspective [24.630259061774836]
  本研究では,多視点クラスタリングフレームワークを情報理論の観点から検討する,SUMVC(Sufficient Multi-View Clustering)と呼ばれる新しい手法を提案する。 まず,変分解析を用いて一貫した情報を生成する,シンプルで信頼性の高いマルチビュークラスタリング手法SCMVCを開発する。 次に、一貫した情報を強化し、ビュー間の不要な情報を最小限に抑えるのに十分な表現境界を提案する。
  論文  参考訳（メタデータ） (2023-09-25T09:41:11Z)
• Semi-supervised multi-view concept decomposition [30.699496411869834]
  概念因子化(CF)は、マルチビュークラスタリングタスクにおいて優れた性能を示している。 そこで我々は,SMVCFという,新しい半教師付き多視点概念分解モデルを提案する。 SMVCFの性能を評価するために,4つの多様なデータセットの実験を行った。
  論文  参考訳（メタデータ） (2023-07-03T10:50:44Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Few-shot Classification via Adaptive Attention [93.06105498633492]
  ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。 実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
  論文  参考訳（メタデータ） (2020-08-06T05:52:59Z)

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。