論文の概要: Self-Supervised Information Bottleneck for Deep Multi-View Subspace
Clustering
- arxiv url: http://arxiv.org/abs/2204.12496v1
- Date: Tue, 26 Apr 2022 15:49:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-28 13:13:49.295823
- Title: Self-Supervised Information Bottleneck for Deep Multi-View Subspace
Clustering
- Title（参考訳）: 深層多視点サブスペースクラスタリングのための自己監督型情報基盤
- Authors: Shiye Wang, Changsheng Li, Yanming Li, Ye Yuan, Guoren Wang
- Abstract要約: 我々は、SIB-MSC(Self-supervised Information Bottleneck based Multi-view Subspace Clustering)と呼ばれる新しいフレームワークを確立する。
SIB-MSCは、情報のボトルネックから利点を継承し、各ビューの潜伏空間を学習し、異なるビューの潜伏表現の共通情報をキャプチャする。
本手法は,最先端手法よりも優れた性能を実現する。
- 参考スコア（独自算出の注目度）: 29.27475285925792
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we explore the problem of deep multi-view subspace clustering
framework from an information-theoretic point of view. We extend the
traditional information bottleneck principle to learn common information among
different views in a self-supervised manner, and accordingly establish a new
framework called Self-supervised Information Bottleneck based Multi-view
Subspace Clustering (SIB-MSC). Inheriting the advantages from information
bottleneck, SIB-MSC can learn a latent space for each view to capture common
information among the latent representations of different views by removing
superfluous information from the view itself while retaining sufficient
information for the latent representations of other views. Actually, the latent
representation of each view provides a kind of self-supervised signal for
training the latent representations of other views. Moreover, SIB-MSC attempts
to learn the other latent space for each view to capture the view-specific
information by introducing mutual information based regularization terms, so as
to further improve the performance of multi-view subspace clustering. To the
best of our knowledge, this is the first work to explore information bottleneck
for multi-view subspace clustering. Extensive experiments on real-world
multi-view data demonstrate that our method achieves superior performance over
the related state-of-the-art methods.
- Abstract（参考訳）: 本稿では,情報理論の観点から,深層多視点サブスペースクラスタリングフレームワークの問題点を考察する。
従来の情報ボトルネック原則を拡張して,異なる視点間の共通情報を自己教師あり方式で学習し,自己教師あり情報ボトルネックに基づくマルチビューサブスペースクラスタリング(sib-msc)と呼ばれる新しい枠組みを確立する。
SIB-MSCは、情報ボトルネックの利点を継承し、他のビューの潜伏表現に十分な情報を保持しながら、ビュー自体から過剰な情報を除去することで、各ビューの潜伏表現間の共通情報をキャプチャする潜伏空間を学習することができる。
実際、各ビューの潜在表現は、他のビューの潜在表現をトレーニングするために、一種の自己教師付き信号を提供する。
さらに、SIB-MSCは、各ビューの他の潜在空間を学習し、相互情報に基づく正規化用語を導入して、ビュー固有の情報をキャプチャし、マルチビューサブスペースクラスタリングの性能をさらに向上させる。
私たちの知る限りでは、マルチビューサブスペースクラスタリングのための情報のボトルネックを調査するのはこれが初めてです。
実世界のマルチビューデータに対する大規模な実験により,本手法は関連する最先端手法よりも優れた性能を発揮することが示された。
関連論文リスト
- 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) - Multi-view Semantic Consistency based Information Bottleneck for
Clustering [13.589996737740208]
クラスタリングのための多視点セマンティック一貫性に基づく情報ボトルネック(MSCIB)について紹介する。
MSCIBは、異なる視点における情報ボトルネックの学習プロセスを改善するために、セマンティック一貫性を追求する。
セマンティック空間における複数のビューのアライメント操作を行い、多視点データの貴重な一貫した情報を共同で達成する。
論文 参考訳（メタデータ） (2023-02-28T02:01:58Z) - Multi-View Clustering from the Perspective of Mutual Information [0.0]
Informative Multi-View Clustering (IMVC) と呼ばれる情報理論に基づく新しいモデルを提案する。
IMVCは、多視点データに隠された共通かつビュー固有の情報を抽出し、クラスタリング指向の包括的な表現を構築する。
本研究では,6つのベンチマークデータセットについて広範な実験を行い,IMVCが他の手法よりも優れていることを示す実験結果を得た。
論文 参考訳（メタデータ） (2023-02-17T07:49:27Z) - 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) - Dual Representation Learning for One-Step Clustering of Multi-View Data [30.131568561100817]
異なるビューの共通情報と特定情報の二重表現を利用して,新しい一段階のマルチビュークラスタリング手法を提案する。
このフレームワークでは、表現学習とクラスタリングのパーティションが相互に恩恵を受け、クラスタリングのパフォーマンスが効果的に向上する。
論文 参考訳（メタデータ） (2022-08-30T14:20:26Z) - 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) - Multi-view Subspace Clustering Networks with Local and Global Graph
Information [19.64977233324484]
本研究の目的は、異なる分野や測定値から収集されたデータの基盤となるグループ構造を検討することである。
我々は,MSCNLGと呼ばれる局所グラフ情報とグローバルグラフ情報を備えた,新しいマルチビューサブスペースクラスタリングネットワークを提案する。
エンド・ツー・エンドのトレーニング可能なフレームワークとして、提案手法は複数のビューの貴重な情報を完全に調査する。
論文 参考訳（メタデータ） (2020-10-19T09:00:19Z) - Collaborative Attention Mechanism for Multi-View Action Recognition [75.33062629093054]
本稿では,多視点行動認識問題を解決するための協調的注意機構(CAM)を提案する。
提案したCAMは,多視点間での注意差を検出し,フレームレベルの情報を適応的に統合し,相互に利益をもたらす。
4つのアクションデータセットの実験では、提案されたCAMは、ビュー毎により良い結果を得るとともに、マルチビューのパフォーマンスも向上する。
論文 参考訳（メタデータ） (2020-09-14T17:33:10Z) - 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) - Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
本稿では,最適コンセンサスを近似する凝集分析法を提案する。
本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。
4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
論文 参考訳（メタデータ） (2020-05-12T05:39:10Z) - 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。