論文の概要: Adaptively-weighted Integral Space for Fast Multiview Clustering
- arxiv url: http://arxiv.org/abs/2208.12808v1
- Date: Thu, 25 Aug 2022 05:47:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 13:00:55.181521
- Title: Adaptively-weighted Integral Space for Fast Multiview Clustering
- Title（参考訳）: 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
- Authors: Man-Sheng Chen, Tuo Liu, Chang-Dong Wang, Dong Huang, Jian-Huang Lai
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 54.177846260063966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiview clustering has been extensively studied to take advantage of
multi-source information to improve the clustering performance. In general,
most of the existing works typically compute an n * n affinity graph by some
similarity/distance metrics (e.g. the Euclidean distance) or learned
representations, and explore the pairwise correlations across views. But
unfortunately, a quadratic or even cubic complexity is often needed, bringing
about difficulty in clustering largescale datasets. Some efforts have been made
recently to capture data distribution in multiple views by selecting view-wise
anchor representations with k-means, or by direct matrix factorization on the
original observations. Despite the significant success, few of them have
considered the view-insufficiency issue, implicitly holding the assumption that
each individual view is sufficient to recover the cluster structure. Moreover,
the latent integral space as well as the shared cluster structure from multiple
insufficient views is not able to be simultaneously discovered. In view of
this, we propose an Adaptively-weighted Integral Space for Fast Multiview
Clustering (AIMC) with nearly linear complexity. Specifically, view generation
models are designed to reconstruct the view observations from the latent
integral space with diverse adaptive contributions. Meanwhile, a centroid
representation with orthogonality constraint and cluster partition are
seamlessly constructed to approximate the latent integral space. An alternate
minimizing algorithm is developed to solve the optimization problem, which is
proved to have linear time complexity w.r.t. the sample size. Extensive
experiments conducted on several realworld datasets confirm the superiority of
the proposed AIMC method compared with the state-of-the-art methods.
- Abstract（参考訳）: マルチビュークラスタリングは、クラスタリング性能を改善するために、マルチソース情報を活用するために広く研究されている。
一般に、既存の著作物の多くは、n * n のアフィニティグラフを類似度/距離のメトリクス(例えばユークリッド距離)または学習された表現で計算し、ビューをまたいでペアワイズ相関を探索する。
しかし残念ながら、二次的あるいはキュービックな複雑さがしばしば必要であり、大規模なデータセットのクラスタリングが困難になる。
近年、k-meansを用いてビューワイドアンカー表現を選択したり、あるいは元の観測で直接行列係数化することで、複数のビューでデータ分布をキャプチャする試みが行われている。
重要な成功にもかかわらず、個々のビューがクラスタ構造を回復するのに十分であるという仮定を暗黙的に保持する、ビュー不足の問題を考える人は少ない。
さらに、複数の不十分なビューから、潜在積分空間と共有クラスタ構造を同時に発見することはできない。
そこで本研究では,ほぼ線形な複雑性を持つ高速マルチビュークラスタリング(aimc)のための適応的重み付け積分空間を提案する。
特に、ビュー生成モデルは、様々な適応的な貢献によって潜在積分空間からビュー観察を再構築するように設計されている。
一方、直交制約とクラスタ分割を持つセントロイド表現は、潜在積分空間を近似するためにシームレスに構築される。
最適化問題を解くために、サンプルサイズに線形時間複雑性があることが証明された代替の最小化アルゴリズムを開発した。
複数の実世界のデータセットで行った広範囲な実験により、提案されたaimc法が最先端法よりも優れていることが確認された。
関連論文リスト
- 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) - Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。
提案手法は最先端技術より一貫して優れている。
論文 参考訳（メタデータ） (2023-10-11T03:29:13Z) - 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) - One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。
そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
論文 参考訳（メタデータ） (2023-06-08T02:52:24Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳（メタデータ） (2023-03-29T14:54:19Z) - Subspace-Contrastive Multi-View Clustering [0.0]
本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。
ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。
提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
論文 参考訳（メタデータ） (2022-10-13T07:19:37Z) - 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) - 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) - Joint Featurewise Weighting and Lobal Structure Learning for Multi-view
Subspace Clustering [3.093890460224435]
マルチビュークラスタリングは複数の機能セットを統合し、データの異なる側面を明らかにし、相互に補完情報を提供する。
既存のマルチビュークラスタリング手法の多くは、各ビューの局所構造を無視しながら、すべてのビューの一貫性を探求することのみを目的としている。
本稿では、異なる特徴に対する重みを同時に割り当て、ビュー固有の自己表現特徴空間におけるデータの局所的情報を取得することで、新しいマルチビューサブスペースクラスタリング手法を提案する。
論文 参考訳（メタデータ） (2020-07-25T01:57:57Z) - 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)
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。