論文の概要: View-labels Are Indispensable: A Multifacet Complementarity Study of
Multi-view Clustering
- arxiv url: http://arxiv.org/abs/2205.02507v1
- Date: Thu, 5 May 2022 08:33:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-07 01:36:41.858414
- Title: View-labels Are Indispensable: A Multifacet Complementarity Study of
Multi-view Clustering
- Title（参考訳）: ビューラベルは不可欠:マルチビュークラスタリングの多面的相補性に関する研究
- Authors: Chuanxing Geng, Aiyang Han, and Songcan Chen
- Abstract要約: 一貫性と相補性は、マルチビュークラスタリング(MVC)を促進する2つの重要な要素である
We developed a novel underlineMultifacet underlineComplementarity learning framework for underlineMulti-underlineView underlineClustering (MCMVC)。
ビューの相補的な学習をガイドするために、ビューラベルを明示的に使用するのは、これが初めてである。
- 参考スコア（独自算出の注目度）: 21.48535452585654
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Consistency and complementarity are two key ingredients for boosting
multi-view clustering (MVC). Recently with the introduction of popular
contrastive learning, the consistency learning of views has been further
enhanced in MVC, leading to promising performance. However, by contrast, the
complementarity has not received sufficient attention except just in the
feature facet, where the Hilbert Schmidt Independence Criterion (HSIC) term or
the independent encoder-decoder network is usually adopted to capture
view-specific information. This motivates us to reconsider the complementarity
learning of views comprehensively from multiple facets including the feature-,
view-label- and contrast- facets, while maintaining the view consistency. We
empirically find that all the facets contribute to the complementarity
learning, especially the view-label facet, which is usually neglected by
existing methods. Based on this, we develop a novel \underline{M}ultifacet
\underline{C}omplementarity learning framework for
\underline{M}ulti-\underline{V}iew \underline{C}lustering (MCMVC), which fuses
multifacet complementarity information, especially explicitly embedding the
view-label information. To our best knowledge, it is the first time to use
view-labels explicitly to guide the complementarity learning of views. Compared
with the SOTA baseline, MCMVC achieves remarkable improvements, e.g., by
average margins over $5.00\%$ and $7.00\%$ respectively in complete and
incomplete MVC settings on Caltech101-20 in terms of three evaluation metrics.
- Abstract（参考訳）: 一貫性と相補性は、マルチビュークラスタリング(MVC)を促進する2つの重要な要素である。
近年、一般的なコントラスト学習の導入により、ビューの一貫性学習がMVCでさらに強化され、有望なパフォーマンスを実現した。
しかし、対照的に、ヒルベルト・シュミット独立基準(HSIC)項や独立エンコーダ・デコーダネットワークが通常、ビュー固有の情報を取得するために採用される機能面を除いて、相補性には十分な注意が払われていない。
このことは、ビューの一貫性を維持しつつ、機能、ビューラベル、コントラストの面を含む複数の面から総合的にビューの相補性学習を再考する動機となっている。
我々は経験的にすべてのファセットが相補性学習に寄与していること、特にビューラベルファセットは、通常既存の方法によって無視される。
そこで我々は,多面的な相補性情報,特にビューラベル情報を明示的に埋め込んだ,新規な‘underline{M}ultifacet \underline{C}omplementarity learning framework for \underline{M}ulti-\underline{V}iew \underline{C}lustering(MCMVC)を開発した。
私たちの知る限りでは、ビューの相補的な学習をガイドするためにビューラベルを明示的に使用するのは初めてです。
MCMVCはSOTAベースラインと比較すると、例えば、Caltech101-20のMVC設定を3つの評価基準でそれぞれ5.00\%$と7.00\%$で改善している。
関連論文リスト
- URRL-IMVC: Unified and Robust Representation Learning for Incomplete Multi-View Clustering [28.776476995363048]
不完全なマルチビュークラスタリングのための統一表現学習(URRL-IMVC)を提案する。
URRL-IMVCは、複数のビューや隣接するサンプルからの情報を統合することで、失われた状態を見るのに堅牢な統合埋め込みを直接学習する。
提案するURRL-IMVCフレームワークを様々なベンチマークデータセット上で広範囲に評価し,その最先端性能を実証した。
論文 参考訳（メタデータ） (2024-07-12T09:35:25Z) - Incomplete Contrastive Multi-View Clustering with High-Confidence
Guiding [7.305817202715752]
高信頼誘導(ICMVC)を用いた非完全コントラストマルチビュークラスタリング手法を提案する。
まず、欠落した値問題に対処するために、マルチビュー整合関係転送とグラフ畳み込みネットワークを提案する。
第2に、補完情報を活用するために、インスタンスレベルの注意融合と高信頼誘導を提案する。
論文 参考訳（メタデータ） (2023-12-14T07:28:41Z) - Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。
本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-29T03:35:34Z) - 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) - DualCoOp++: Fast and Effective Adaptation to Multi-Label Recognition
with Limited Annotations [79.433122872973]
低ラベル体制における多ラベル画像認識は、大きな課題と実践的重要性の課題である。
我々は、何百万もの補助的な画像テキストペアで事前訓練されたテキストと視覚的特徴の強力なアライメントを活用する。
Evidence-guided Dual Context Optimization (DualCoOp++) という,効率的かつ効果的なフレームワークを導入する。
論文 参考訳（メタデータ） (2023-08-03T17:33:20Z) - Hierarchical Contrastive Learning Enhanced Heterogeneous Graph Neural
Network [59.860534520941485]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、異種情報ネットワーク(HIN)を扱う能力に優れていた。
近年,自己指導型学習は最もエキサイティングな学習パラダイムの1つとなり,ラベルがない場合に大きな可能性を示す。
本稿では,自己教師型HGNNの問題点を考察し,HGNNのための新しいコントラスト学習機構であるHeCoを提案する。
論文 参考訳（メタデータ） (2023-04-24T16:17:21Z) - Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。
既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。
我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文 参考訳（メタデータ） (2023-03-30T03:09:25Z) - DICNet: Deep Instance-Level Contrastive Network for Double Incomplete
Multi-View Multi-Label Classification [20.892833511657166]
実世界におけるマルチビューマルチラベルデータは、データ収集や手動アノテーションの不確実性のため、一般的に不完全である。
本稿では,DICNetという深層インスタンスレベルのコントラストネットワークを提案し,二重不完全なマルチラベル分類問題に対処する。
我々のDICNetは、マルチビュー多ラベルデータの一貫した識別的表現を捉え、欠落したビューと欠落したラベルの負の影響を避けることに長けている。
論文 参考訳（メタデータ） (2023-03-15T04:24:01Z) - 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) - 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。