論文の概要: Align then Fusion: Generalized Large-scale Multi-view Clustering with Anchor Matching Correspondences

• arxiv url: http://arxiv.org/abs/2205.15075v1
• Date: Mon, 30 May 2022 13:07:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 18:03:30.896147
• Title: Align then Fusion: Generalized Large-scale Multi-view Clustering with Anchor Matching Correspondences
• Title（参考訳）: Align then Fusion:アンカーマッチング対応付き大規模マルチビュークラスタリング
• Authors: Siwei Wang, Xinwang Liu, Suyuan Liu, Jiaqi Jin, Wenxuan Tu, Xinzhong Zhu, En Zhu
• Abstract要約: マルチビューアンカーグラフクラスタリングは、完全なペアワイド類似性を避けるために代表アンカーを選択する。 既存のアプローチでは、ビューをまたいだアンカーセット間の正しい対応を確立するのに十分な注意を払わない。
• 参考スコア（独自算出の注目度）: 53.09276639185084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view anchor graph clustering selects representative anchors to avoid full pair-wise similarities and therefore reduce the complexity of graph methods. Although widely applied in large-scale applications, existing approaches do not pay sufficient attention to establishing correct correspondences between the anchor sets across views. To be specific, anchor graphs obtained from different views are not aligned column-wisely. Such an Anchor-Unaligned Problem (AUP) would cause inaccurate graph fusion and degrade the clustering performance. Under multi-view scenarios, generating correct correspondences could be extremely difficult since anchors are not consistent in feature dimensions. To solve this challenging issue, we propose the first study of a generalized and flexible anchor graph fusion framework termed Fast Multi-View Anchor-Correspondence Clustering (FMVACC). Specifically, we show how to find anchor correspondence with both feature and structure information, after which anchor graph fusion is performed column-wisely. Moreover, we theoretically show the connection between FMVACC and existing multi-view late fusion and partial view-aligned clustering, which further demonstrates our generality. Extensive experiments on seven benchmark datasets demonstrate the effectiveness and efficiency of our proposed method. Moreover, the proposed alignment module also shows significant performance improvement applying to existing multi-view anchor graph competitors indicating the importance of anchor alignment.
• Abstract（参考訳）: マルチビューアンカーグラフクラスタリングは、完全な対方向の類似性を避けるために代表アンカーを選択し、グラフメソッドの複雑さを減少させる。 大規模アプリケーションに広く適用されているが、既存のアプローチではビューをまたいだアンカーセット間の正しい対応を確立するのに十分な注意を払っていない。 具体的には、異なるビューから得られるアンカーグラフはカラムワイズに整列しない。 このようなアンカーアンライメント問題(aup)は不正確なグラフ融合を引き起こし、クラスタリング性能を低下させる。 多視点シナリオでは、アンカーが特徴次元に一貫性がないため、正しい対応を生成することは極めて困難である。 この課題を解決するために,FMVACC(Fast Multi-View Anchor-Cor correspondingence Clustering)と呼ばれる一般化されたフレキシブルなアンカーグラフ融合フレームワークを提案する。 具体的には,特徴情報と構造情報の両方にアンカー対応を見つける方法を示し,その後にアンカーグラフ融合を行う。 さらに,fmvaccと既存のマルチビュー遅延融合と部分ビューアライメントクラスタリングとの接続を理論的に示すことにより,さらに汎用性を示す。 7つのベンチマークデータセットに関する広範囲な実験により,提案手法の有効性と効率を実証した。 さらに,提案したアライメントモジュールは,アンカーアライメントの重要性を示す既存のマルチビューアンカーグラフ競合に対して,大幅な性能向上を示す。

関連論文リスト

• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
  本稿では,新しいアンカーグラフ学習フレームワークを提案する。 ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。 提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
  論文  参考訳（メタデータ） (2023-08-31T08:30:26Z)
• Unpaired Multi-View Graph Clustering with Cross-View Structure Matching [39.310384044597065]
  既存のMVCメソッドの多くは、マルチビューデータが完全にペアリングされていると仮定している。 データ通信は、データ破損やセンサーの違いにより、現実世界のアプリケーションでは不完全であることが多い。 本稿では,クロスビュー構造マッチングを用いたパラメータフリーグラフクラスタリングフレームワークUnpaired Multi-view Graph Clusteringフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-07T09:29:44Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• A Clustering-guided Contrastive Fusion for Multi-view Representation Learning [7.630965478083513]
  本稿では、ビュー固有表現をビュー共通表現に融合する深層融合ネットワークを提案する。 また、ビュー共通表現とビュー固有表現を一致させる非対称なコントラスト戦略を設計する。 不完全な視点では,提案手法は競合相手よりもノイズ干渉に抵抗する。
  論文  参考訳（メタデータ） (2022-12-28T07:21:05Z)
• 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)
• Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity [63.85428043085567]
  本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。 ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。 FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2022-03-22T09:51:24Z)
• 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)

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。