論文の概要: Deep Embedded Multi-View Clustering via Jointly Learning Latent
Representations and Graphs
- arxiv url: http://arxiv.org/abs/2205.03803v1
- Date: Sun, 8 May 2022 07:40:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 16:17:21.355476
- Title: Deep Embedded Multi-View Clustering via Jointly Learning Latent
Representations and Graphs
- Title(参考訳): 潜在表現とグラフの協調学習による深層埋め込みマルチビュークラスタリング
- Authors: Zongmo Huang, Yazhou Ren, Xiaorong Pu, Lifang He
- Abstract要約: DMVCJ (Jointly Learning Latent Representation and Graphs) を用いたディープ埋め込み型マルチビュークラスタリングを提案する。
潜在グラフと特徴表現を共同で学習することにより,我々のモデルでグラフ畳み込みネットワーク(GCN)技術が利用可能となる。
潜在グラフに示すノードの隣接関係に基づいて、ノイズを緩和するためのサンプル重み付け戦略を設計する。
- 参考スコア(独自算出の注目度): 13.052394521739192
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the representation learning capability of the deep learning models, deep
embedded multi-view clustering (MVC) achieves impressive performance in many
scenarios and has become increasingly popular in recent years. Although great
progress has been made in this field, most existing methods merely focus on
learning the latent representations and ignore that learning the latent graph
of nodes also provides available information for the clustering task. To
address this issue, in this paper we propose Deep Embedded Multi-view
Clustering via Jointly Learning Latent Representations and Graphs (DMVCJ),
which utilizes the latent graphs to promote the performance of deep embedded
MVC models from two aspects. Firstly, by learning the latent graphs and feature
representations jointly, the graph convolution network (GCN) technique becomes
available for our model. With the capability of GCN in exploiting the
information from both graphs and features, the clustering performance of our
model is significantly promoted. Secondly, based on the adjacency relations of
nodes shown in the latent graphs, we design a sample-weighting strategy to
alleviate the noisy issue, and further improve the effectiveness and robustness
of the model. Experimental results on different types of real-world multi-view
datasets demonstrate the effectiveness of DMVCJ.
- Abstract(参考訳): ディープラーニングモデルの表現学習能力により、多くのシナリオにおいて深い組込みマルチビュークラスタリング(MVC)は印象的なパフォーマンスを実現し、近年はますます人気が高まっている。
この分野では大きな進歩があったが、既存のほとんどのメソッドは潜在表現の学習にのみ焦点を合わせ、ノードの潜在グラフの学習もまたクラスタリングタスクに利用可能な情報を提供することを無視する。
本稿では,2つの側面から深部埋め込みMVCモデルの性能を促進するために潜時グラフを利用するDMVCJ(Jointly Learning Latent Representations and Graphs)による深部埋め込みマルチビュークラスタリングを提案する。
まず,潜在グラフと特徴表現を共同で学習することで,本モデルではグラフ畳み込みネットワーク(gcn)手法が利用可能となる。
グラフと特徴の両方から情報を利用するGCNの能力により、我々のモデルのクラスタリング性能は著しく向上する。
次に,潜在グラフに示されるノードの隣接関係に基づいて,ノイズ低減のためのサンプル重み付け戦略を考案し,モデルの有効性と頑健性をさらに向上させる。
実世界のマルチビューデータセットの異なる種類の実験結果から,DMVCJの有効性が示された。
関連論文リスト
- Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳(メタデータ) (2024-02-25T07:03:37Z) - Dual Information Enhanced Multi-view Attributed Graph Clustering [11.624319530337038]
本稿では,Dual Information enhanced Multi-view Attributed Graph Clustering (DIAGC)法を提案する。
提案手法では,複数の視点からのコンセンサスと特定情報の探索を阻害する特定情報再構成(SIR)モジュールを提案する。
相互情報最大化(MIM)モジュールは、潜在高レベル表現と低レベル表現との合意を最大化し、高レベル表現が所望のクラスタリング構造を満たすことを可能にする。
論文 参考訳(メタデータ) (2022-11-28T01:18:04Z) - Learnable Graph Convolutional Network and Feature Fusion for Multi-view
Learning [30.74535386745822]
本稿では,Learningable Graph Convolutional Network and Feature Fusion (LGCN-FF) と呼ばれる統合ディープラーニングフレームワークを提案する。
特徴融合ネットワークと学習可能なグラフ畳み込みネットワークの2つのステージで構成されている。
提案したLGCN-FFは,多視点半教師付き分類において,様々な最先端手法よりも優れていることが検証された。
論文 参考訳(メタデータ) (2022-11-16T19:07:12Z) - 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) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-24T02:58:36Z) - Deep Contrastive Learning for Multi-View Network Embedding [20.035449838566503]
マルチビューネットワーク埋め込みは、ネットワーク内のノードを低次元ベクトルに投影することを目的としている。
ほとんどの対照的な学習ベースの手法は、主に高品質なグラフ埋め込みに依存している。
マルチビューネットワーク埋め込み(CREME)のための新しいノード間コントラスト学習フレームワークを設計する。
論文 参考訳(メタデータ) (2021-08-16T06:29:18Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳(メタデータ) (2021-08-15T13:14:28Z) - Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph
Representation Learning [48.09362183184101]
マルチスケールのコントラスト学習によるシームズ自己蒸留の強化により,ノード表現を学習するための新しい自己教師型アプローチを提案する。
提案手法は,新しい最先端の成果を達成し,半教師ありの成果を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2021-05-12T14:20:13Z) - Consistent Multiple Graph Embedding for Multi-View Clustering [41.17336912278538]
Consistent Multiple Graph Embedding Clustering framework (CMGEC) を提案する。
具体的には,マルチビューデータの補完情報を柔軟に符号化するマルチグラフオートエンコーダを設計する。
各ビューにおける隣り合う特徴の類似性を維持するための学習共通表現を導くため、MMIM(Multi-view Mutual Information Maximization Module)を導入する。
論文 参考訳(メタデータ) (2021-05-11T09:08:22Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳(メタデータ) (2021-02-14T05:28:13Z)
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。