論文の概要: C$^{2}$IMUFS: Complementary and Consensus Learning-based Incomplete
Multi-view Unsupervised Feature Selection
- arxiv url: http://arxiv.org/abs/2208.09736v1
- Date: Sat, 20 Aug 2022 19:39:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 13:47:29.700350
- Title: C$^{2}$IMUFS: Complementary and Consensus Learning-based Incomplete
Multi-view Unsupervised Feature Selection
- Title（参考訳）: C$^{2}$IMUFS: 補完的・合意的学習に基づく不完全多視点特徴選択
- Authors: Yanyong Huang, Zongxin Shen, Yuxin Cai, Xiuwen Yi, Dongjie Wang,
Fengmao Lv and Tianrui Li
- Abstract要約: マルチビュー非教師付き特徴選択(MUFS)は、ラベルなしデータの次元を減少させる有効な手法として実証されている。
本稿では、上記の問題に対処するため、補完的かつコンセンサスに基づく不完全なマルチビュー非教師付き特徴選択法(C$2$IMUFS)を提案する。
C$2$IMUFSは、ビューウェイトとスパース$ell_2,p$-normの適応学習を備えた拡張重み付き非負行列分解モデルに特徴選択を統合する。
- 参考スコア（独自算出の注目度）: 12.340714611533418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-view unsupervised feature selection (MUFS) has been demonstrated as an
effective technique to reduce the dimensionality of multi-view unlabeled data.
The existing methods assume that all of views are complete. However, multi-view
data are usually incomplete, i.e., a part of instances are presented on some
views but not all views. Besides, learning the complete similarity graph, as an
important promising technology in existing MUFS methods, cannot achieve due to
the missing views. In this paper, we propose a complementary and consensus
learning-based incomplete multi-view unsupervised feature selection method
(C$^{2}$IMUFS) to address the aforementioned issues. Concretely, C$^{2}$IMUFS
integrates feature selection into an extended weighted non-negative matrix
factorization model equipped with adaptive learning of view-weights and a
sparse $\ell_{2,p}$-norm, which can offer better adaptability and flexibility.
By the sparse linear combinations of multiple similarity matrices derived from
different views, a complementary learning-guided similarity matrix
reconstruction model is presented to obtain the complete similarity graph in
each view. Furthermore, C$^{2}$IMUFS learns a consensus clustering indicator
matrix across different views and embeds it into a spectral graph term to
preserve the local geometric structure. Comprehensive experimental results on
real-world datasets demonstrate the effectiveness of C$^{2}$IMUFS compared with
state-of-the-art methods.
- Abstract（参考訳）: マルチビュー非教師付き特徴選択 (MUFS) は、マルチビュー非ラベルデータの次元性を低減する効果的な手法として実証されている。
既存のメソッドは、すべてのビューが完了していると仮定します。
しかしながら、マルチビューデータは通常不完全であり、インスタンスの一部がいくつかのビューに表示されるが、すべてのビューではない。
さらに、既存のMUFS手法において重要な有望な技術である完全類似性グラフの学習は、欠落したビューのために達成できない。
本稿では,上記の問題に対処するために,補完的かつコンセンサスに基づく不完全多視点特徴選択法(c$^{2}$imufs)を提案する。
具体的には、C$^{2}$IMUFSは、ビューウェイト適応学習とスパース$\ell_{2,p}$-normを備えた拡張重み付き非負行列分解モデルに特徴選択を統合し、適応性と柔軟性を向上させる。
異なる視点から導かれる多重類似度行列のスパース線形結合により、相補的学習誘導類似度行列再構成モデルを提示し、各視点における完全類似度グラフを得る。
さらに、C$^{2}$IMUFSは、異なるビューにまたがるコンセンサスクラスタリング指標行列を学習し、それをスペクトルグラフ項に埋め込んで局所的な幾何学構造を保存する。
実世界のデータセットに対する総合的な実験結果は、最先端の手法と比較してC$^{2}$IMUFSの有効性を示す。
関連論文リスト
- Multi-view Fuzzy Representation Learning with Rules based Model [25.997490574254172]
教師なしマルチビュー表現学習は、マルチビューデータをマイニングするために広く研究されている。
本稿では,MVRL_FSを用いた多視点ファジィ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-09-20T17:13:15Z) - 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) - Latent Heterogeneous Graph Network for Incomplete Multi-View Learning [57.49776938934186]
非完全多視点学習のための新しい遅延不均質グラフネットワーク(LHGN)を提案する。
統一された潜在表現を学習することにより、異なる視点間の一貫性と相補性の間のトレードオフが暗黙的に実現される。
学習とテストフェーズの不整合を回避するため,分類タスクのグラフ学習に基づくトランスダクティブ学習手法を適用した。
論文 参考訳（メタデータ） (2022-08-29T15:14:21Z) - MORI-RAN: Multi-view Robust Representation Learning via Hybrid
Contrastive Fusion [4.36488705757229]
多視点表現学習は、クラスタリングや分類といった多くの多視点タスクに不可欠である。
ラベルのないデータから堅牢なビュー-共通表現を抽出するハイブリッドコントラスト融合アルゴリズムを提案する。
実験の結果,提案手法は実世界の4つのデータセットにおいて,12の競合的マルチビュー手法よりも優れていた。
論文 参考訳（メタデータ） (2022-08-26T09:58:37Z) - Localized Sparse Incomplete Multi-view Clustering [22.009806900278786]
本稿では,ローカライズされたスパース不完全なマルチビュークラスタリング(LSIMVC)という,シンプルだが効果的な手法を提案する。
このような問題に対処するために,ローカライズされたスパース不完全なマルチビュークラスタリング(LSIMVC)という,シンプルだが効果的な手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T05:48:28Z) - Incremental Unsupervised Feature Selection for Dynamic Incomplete
Multi-view Data [16.48538951608735]
実際のアプリケーションでは、マルチビューデータは不完全であることが多い。
本稿では,不完全なマルチビューストリーミングデータに対して,インクリメンタルな不完全なマルチビュー非教師付き特徴選択法(I$2$MUFS)を提案する。
論文 参考訳（メタデータ） (2022-04-05T16:29:39Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-11T03:25:25Z) - V3H: View Variation and View Heredity for Incomplete Multi-view
Clustering [65.29597317608844]
不完全なマルチビュークラスタリングは、これらの不完全なビューを統合する効果的な方法である。
本稿では,この制限を克服するために,新しいビューバージョニング・ビュー・ジェレダリティ・アプローチ(V3H)を提案する。
V3Hは、不完全なマルチビューデータから一貫した情報とユニークな情報を同時に学習するためのクラスタリングアルゴリズムに遺伝学を導入する最初の研究である可能性がある。
論文 参考訳（メタデータ） (2020-11-23T03:24:48Z) - Uncorrelated Semi-paired Subspace Learning [7.20500993803316]
一般化された非相関なマルチビューサブスペース学習フレームワークを提案する。
フレームワークの柔軟性を示すために,教師なし学習と教師なし学習の両方のための5つの新しいセミペアモデルをインスタンス化する。
提案するモデルは,ベースラインよりも競争力が高い。
論文 参考訳（メタデータ） (2020-11-22T22:14:20Z) - Multi-view Graph Learning by Joint Modeling of Consistency and
Inconsistency [65.76554214664101]
グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。
本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。
12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
論文 参考訳（メタデータ） (2020-08-24T06:11:29Z) - 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。