論文の概要: Joint Multi-view Unsupervised Feature Selection and Graph Learning
- arxiv url: http://arxiv.org/abs/2204.08247v3
- Date: Fri, 11 Aug 2023 09:30:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 18:00:44.586808
- Title: Joint Multi-view Unsupervised Feature Selection and Graph Learning
- Title（参考訳）: 統合多視点教師なし特徴選択とグラフ学習
- Authors: Si-Guo Fang, Dong Huang, Chang-Dong Wang, Yong Tang
- Abstract要約: 本稿では,JMVFG(Command Multi-view unsupervised feature selection and graph learning)アプローチを提案する。
複数視点の特徴選択を分解で定式化し、各対象行列をビュー固有の基底行列に分解する。
様々な実世界のマルチビューデータセットの実験は、マルチビュー特徴選択とグラフ学習タスクの両方において、我々のアプローチの優位性を実証している。
- 参考スコア（独自算出の注目度）: 18.303477722460247
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite significant progress, previous multi-view unsupervised feature
selection methods mostly suffer from two limitations. First, they generally
utilize either cluster structure or similarity structure to guide the feature
selection, which neglect the possibility of a joint formulation with mutual
benefits. Second, they often learn the similarity structure by either global
structure learning or local structure learning, which lack the capability of
graph learning with both global and local structural awareness. In light of
this, this paper presents a joint multi-view unsupervised feature selection and
graph learning (JMVFG) approach. Particularly, we formulate the multi-view
feature selection with orthogonal decomposition, where each target matrix is
decomposed into a view-specific basis matrix and a view-consistent cluster
indicator. The cross-space locality preservation is incorporated to bridge the
cluster structure learning in the projected space and the similarity learning
(i.e., graph learning) in the original space. Further, a unified objective
function is presented to enable the simultaneous learning of the cluster
structure, the global and local similarity structures, and the multi-view
consistency and inconsistency, upon which an alternating optimization algorithm
is developed with theoretically proved convergence. Extensive experiments on a
variety of real-world multi-view datasets demonstrate the superiority of our
approach for both the multi-view feature selection and graph learning tasks.
The code is available at https://github.com/huangdonghere/JMVFG.
- 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の教師なし機能選択手法は、ほとんど2つの制限に苦しむ。
まず、クラスタ構造または類似性構造を用いて特徴選択を導くが、これは相互利益を伴う共同定式化の可能性を無視している。
第2に,グローバル構造学習とローカル構造学習のどちらでも類似性構造を学ぶことがよくあり,グローバル構造学習とローカル構造認識のいずれにおいてもグラフ学習の能力に欠ける。
そこで本稿では,JMVFG(Jonti-view unsupervised feature selection and graph learning)アプローチについて述べる。
特に,多視点特徴選択を直交分解で定式化し,各対象行列をビュー固有基底行列とビュー一貫性クラスタインジケータに分解する。
クロススペース局所性保存は、投影空間におけるクラスタ構造学習と、元の空間における類似性学習(グラフ学習)とを橋渡しするために組み込まれている。
さらに,クラスタ構造,大域的および局所的類似性構造,多視点整合性と不整合を同時に学習し,理論的に証明された収束により交互最適化アルゴリズムを開発するための統一目的関数を提案する。
様々な実世界のマルチビューデータセットに対する大規模な実験は、マルチビューの特徴選択とグラフ学習の両方において、我々のアプローチの優位性を示している。
コードはhttps://github.com/huangdonghere/jmvfgで入手できる。
関連論文リスト
- Efficient Multi-View Graph Clustering with Local and Global Structure
Preservation [59.49018175496533]
局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。
具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。
さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
論文 参考訳（メタデータ） (2023-08-31T12:12:30Z) - DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。
まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。
トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
論文 参考訳（メタデータ） (2023-08-17T14:14:28Z) - 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) - Double Graphs Regularized Multi-view Subspace Clustering [15.52467509308717]
本稿では,新しいDouble Graphs Regularized Multi-view Subspace Clustering (DGRMSC)法を提案する。
マルチビューデータのグローバルな構造情報とローカルな構造情報の両方を統一されたフレームワークで活用することを目的としている。
論文 参考訳（メタデータ） (2022-09-30T00:16:42Z) - 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) - Self-supervised Discriminative Feature Learning for Multi-view
Clustering [12.725701189049403]
マルチビュークラスタリング(SDMVC)のための自己監視型識別機能学習の提案
具体的には、各ビューの組み込み機能を独立して学習するために、ディープオートエンコーダが適用される。
さまざまなタイプのマルチビューデータセットの実験は、SDMVCが最先端のパフォーマンスを達成することを示しています。
論文 参考訳（メタデータ） (2021-03-28T07:18:39Z) - 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) - Joint Featurewise Weighting and Lobal Structure Learning for Multi-view
Subspace Clustering [3.093890460224435]
マルチビュークラスタリングは複数の機能セットを統合し、データの異なる側面を明らかにし、相互に補完情報を提供する。
既存のマルチビュークラスタリング手法の多くは、各ビューの局所構造を無視しながら、すべてのビューの一貫性を探求することのみを目的としている。
本稿では、異なる特徴に対する重みを同時に割り当て、ビュー固有の自己表現特徴空間におけるデータの局所的情報を取得することで、新しいマルチビューサブスペースクラスタリング手法を提案する。
論文 参考訳（メタデータ） (2020-07-25T01:57:57Z) - 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) - 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。