論文の概要: Incremental Unsupervised Feature Selection for Dynamic Incomplete Multi-view Data

• arxiv url: http://arxiv.org/abs/2204.02973v1
• Date: Tue, 5 Apr 2022 16:29:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 15:21:11.136063
• Title: Incremental Unsupervised Feature Selection for Dynamic Incomplete Multi-view Data
• Title（参考訳）: 動的不完全多視点データに対する教師なし特徴選択
• Authors: Yanyong Huang, Kejun Guo, Xiuwen Yi, Zhong Li, Tianrui Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.48538951608735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view unsupervised feature selection has been proven to be efficient in reducing the dimensionality of multi-view unlabeled data with high dimensions. The previous methods assume all of the views are complete. However, in real applications, the multi-view data are often incomplete, i.e., some views of instances are missing, which will result in the failure of these methods. Besides, while the data arrive in form of streams, these existing methods will suffer the issues of high storage cost and expensive computation time. To address these issues, we propose an Incremental Incomplete Multi-view Unsupervised Feature Selection method (I$^2$MUFS) on incomplete multi-view streaming data. By jointly considering the consistent and complementary information across different views, I$^2$MUFS embeds the unsupervised feature selection into an extended weighted non-negative matrix factorization model, which can learn a consensus clustering indicator matrix and fuse different latent feature matrices with adaptive view weights. Furthermore, we introduce the incremental leaning mechanisms to develop an alternative iterative algorithm, where the feature selection matrix is incrementally updated, rather than recomputing on the entire updated data from scratch. A series of experiments are conducted to verify the effectiveness of the proposed method by comparing with several state-of-the-art methods. The experimental results demonstrate the effectiveness and efficiency of the proposed method in terms of the clustering metrics and the computational cost.
• Abstract（参考訳）: マルチビュー非教師付き特徴選択は、高次元のマルチビュー非ラベルデータの次元性を低減するのに効率的であることが証明されている。 以前の方法は、すべてのビューが完了したと仮定します。 しかし、実際のアプリケーションでは、マルチビューデータは、しばしば不完全であり、例えば、いくつかのインスタンスのビューが欠落しており、結果としてこれらのメソッドが失敗する。 さらに、データはストリーム形式で提供されるが、これらの既存の方法は、高いストレージコストと高価な計算時間の問題に悩まされる。 そこで本研究では,不完全多視点ストリーミングデータに対するインクリメンタル不完全多視点非教師なし特徴選択法(i$^2$mufs)を提案する。 I$^2$MUFSは、異なるビューの一貫性と相補的な情報を共同で検討することにより、教師なし特徴選択を拡張重み付き非負行列分解モデルに組み込み、コンセンサスクラスタリング指標行列を学習し、異なる潜在特徴行列を適応的なビュー重みで融合させることができる。 さらに、スクラッチから更新データ全体を再計算するのではなく、特徴選択行列をインクリメンタルに更新する別の反復アルゴリズムを開発するための漸進的傾き機構を導入する。 提案手法の有効性を,いくつかの最先端手法との比較により検証する実験を行った。 実験により,クラスタリング指標と計算コストの観点から,提案手法の有効性と有効性を示した。

関連論文リスト

• Enhanced Latent Multi-view Subspace Clustering [25.343388834470247]
  潜在空間表現を復元するための拡張潜在多視点サブスペースクラスタリング(ELMSC)手法を提案する。 提案するELMSCは,最先端のマルチビュークラスタリング手法よりも高いクラスタリング性能を実現することができる。
  論文  参考訳（メタデータ） (2023-12-22T15:28:55Z)
• 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)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• 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)
• 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)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Learning Inter- and Intra-manifolds for Matrix Factorization-based Multi-Aspect Data Clustering [3.756550107432323]
  近年,マルチビューやマルチタイプリレーショナルデータなど,複数の側面を持つデータのクラスタリングが普及している。 我々は,データクラスタリングのための多種多様な多様体を学習するために,異なるデータ型(またはビュー)のデータポイントの距離情報を利用するNMFフレームワークに多様体を組み込むことを提案する。 いくつかのデータセットの結果から,提案手法は精度と効率の両面において,最先端のマルチアスペクトデータクラスタリング手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-09-07T02:21:08Z)
• 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)
• 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。