論文の概要: Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity

• arxiv url: http://arxiv.org/abs/2203.11572v1
• Date: Tue, 22 Mar 2022 09:51:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 00:25:16.853533
• Title: Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity
• Title（参考訳）: Ensemblesによる高速マルチビュークラスタリング:スケーラビリティ、スーパーオリティ、シンプル性を目指して
• Authors: Dong Huang, Chang-Dong Wang, Jian-Huang Lai
• Abstract要約: 本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。 ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。 FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
• 参考スコア（独自算出の注目度）: 63.85428043085567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite significant progress, there remain three limitations to the previous multi-view clustering algorithms. First, they often suffer from high computational complexity, restricting their feasibility for large-scale datasets. Second, they typically fuse multi-view information via one-stage fusion, neglecting the possibilities in multi-stage fusions. Third, dataset-specific hyperparameter-tuning is frequently required, further undermining their practicability. In light of this, we propose a fast multi-view clustering via ensembles (FastMICE) approach. Particularly, the concept of random view groups is presented to capture the versatile view-wise relationships, through which the hybrid early-late fusion strategy is designed to enable efficient multi-stage fusions. With multiple views extended to many view groups, three levels of diversity (w.r.t. features, anchors, and neighbors, respectively) are jointly leveraged for constructing the view-sharing bipartite graphs in the early-stage fusion. Then, a set of diversified base clusterings for different view groups are obtained via fast graph partitioning, which are further formulated into a unified bipartite graph for final clustering in the late-stage fusion. Remarkably, FastMICE has almost linear time and space complexity, and is free of dataset-specific tuning. Experiments on twenty multi-view datasets demonstrate its advantages in scalability (for extremely large datasets), superiority (in clustering performance), and simplicity (to be applied) over the state-of-the-art.
• Abstract（参考訳）: 大幅な進歩にもかかわらず、以前のマルチビュークラスタリングアルゴリズムには3つの制限がある。 まず、それらはしばしば高い計算複雑性に悩まされ、大規模なデータセットの実現可能性を制限する。 第二に、通常は一段階融合を通じて多段階情報を融合し、多段階融合の可能性を無視している。 第三に、データセット固有のハイパーパラメータチューニングが頻繁に必要であり、さらに実用性を損なう。 そこで本研究では,アンサンブル(fastmice)アプローチによる高速マルチビュークラスタリングを提案する。 特に、ランダムビュー群の概念は、効率的な多段階融合を可能にするために、早い段階のハイブリッド融合戦略が設計される、汎用的なビュー・アズ・アの関係を捉えるために提示される。 多くのビューグループに拡張された複数のビューを持つ3つのレベルの多様性(w.r.t. features, anchors, neighbors)は、初期の融合においてビュー共有二部グラフを構築するために共同で活用される。 次に、異なる視点群に対する多様化された基底クラスタリングの集合を高速グラフ分割により取得し、さらに後期融合における最終クラスタリングのための統一二部グラフに定式化する。 驚くべきことに、fastmiceはほとんど線形時間と空間の複雑さを持ち、データセット固有のチューニングがない。 20のマルチビューデータセットの実験は、スケーラビリティ(非常に大きなデータセット)、(クラスタリング性能)優越性(クラスタリング性能)、そして(適用すべき)単純さ(最先端技術)の利点を示している。

関連論文リスト

• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• M$^3$Net: Multi-view Encoding, Matching, and Fusion for Few-shot Fine-grained Action Recognition [80.21796574234287]
  M$3$Netは、FS-FGアクション認識のためのマッチングベースのフレームワークである。 textitmulti-view エンコーディング、textitmulti-view matching、textitmulti-view fusion を組み込んで、埋め込みエンコーディング、類似性マッチング、意思決定を容易にする。 説明可能な可視化と実験結果により,M$3$Netの微細な動作の詳細を捉える上での優位性が示された。
  論文  参考訳（メタデータ） (2023-08-06T09:15:14Z)
• One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
  本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。 そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T02:52:24Z)
• 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)
• Deep Incomplete Multi-View Multiple Clusterings [41.43164409639238]
  データビューと複数の共有表現を同時に補完する、深い不完全なマルチビュー多重クラスタリングフレームワークを導入する。 ベンチマークデータセットの実験では、DiMVMCは、多様性と品質の高い複数のクラスタリングの生成において、最先端の競合よりも優れていることが確認されている。
  論文  参考訳（メタデータ） (2020-10-02T08:01:24Z)
• Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
  グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。 本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
  論文  参考訳（メタデータ） (2020-08-24T06:11:29Z)
• Consistent and Complementary Graph Regularized Multi-view Subspace Clustering [31.187031653119025]
  本研究では,複数のビューが一貫した情報を含み,それぞれのビューが相補的な情報を含むマルチビュークラスタリングの問題について検討する。 本稿では、一貫したグラフ正規化マルチビューサブスペースクラスタリング(GRMSC)を含む手法を提案する。 目的関数は多視点クラスタリングを実現するために拡張ラグランジアン乗算法により最適化される。
  論文  参考訳（メタデータ） (2020-04-07T03:48:08Z)

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。