論文の概要: Latent Heterogeneous Graph Network for Incomplete Multi-View Learning

• arxiv url: http://arxiv.org/abs/2208.13669v1
• Date: Mon, 29 Aug 2022 15:14:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 13:12:24.519169
• Title: Latent Heterogeneous Graph Network for Incomplete Multi-View Learning
• Title（参考訳）: 不完全多視点学習のための潜在不均一グラフネットワーク
• Authors: Pengfei Zhu, Xinjie Yao, Yu Wang, Meng Cao, Binyuan Hui, Shuai Zhao, and Qinghua Hu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.49776938934186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view learning has progressed rapidly in recent years. Although many previous studies assume that each instance appears in all views, it is common in real-world applications for instances to be missing from some views, resulting in incomplete multi-view data. To tackle this problem, we propose a novel Latent Heterogeneous Graph Network (LHGN) for incomplete multi-view learning, which aims to use multiple incomplete views as fully as possible in a flexible manner. By learning a unified latent representation, a trade-off between consistency and complementarity among different views is implicitly realized. To explore the complex relationship between samples and latent representations, a neighborhood constraint and a view-existence constraint are proposed, for the first time, to construct a heterogeneous graph. Finally, to avoid any inconsistencies between training and test phase, a transductive learning technique is applied based on graph learning for classification tasks. Extensive experimental results on real-world datasets demonstrate the effectiveness of our model over existing state-of-the-art approaches.
• Abstract（参考訳）: 近年,多視点学習が急速に進展している。 過去の多くの研究は、各インスタンスが全てのビューに現れると仮定しているが、いくつかのビューからインスタンスが欠落する現実世界のアプリケーションでは一般的であり、結果として不完全なマルチビューデータとなる。 そこで本研究では,複数の不完全ビューを可能な限り柔軟に利用することを目的とした,不完全多視点学習のための潜在異種グラフネットワーク(lhgn)を提案する。 統一潜在表現を学習することにより、異なるビュー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。 サンプルと潜在表現の間の複雑な関係を探索するため,近傍制約とビュー存在制約を初めて提案し,不均一グラフを構築する。 最後に、学習とテストフェーズの矛盾を避けるために、分類タスクのグラフ学習に基づいてトランスダクティブ学習手法を適用した。 実世界のデータセットに対する大規模な実験結果から、既存の最先端アプローチに対する我々のモデルの有効性が示された。

関連論文リスト

• Multi-View Class Incremental Learning [57.14644913531313]
  マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。 本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
  論文  参考訳（メタデータ） (2023-06-16T08:13:41Z)
• 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)
• 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)
• A unified framework based on graph consensus term for multi-view learning [5.168659132277719]
  本稿では,既存のグラフ埋め込み作業の多くを統一された公式に活用することを目的とした,新しい多視点学習フレームワークを提案する。 本手法は,グラフ埋め込み手法の多様性を維持するために,各ビューのグラフ構造を独立に探索する。 この目的のために、異なる視点の多様性と相補的な情報を同時に検討することができる。
  論文  参考訳（メタデータ） (2021-05-25T09:22:21Z)
• 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)
• Deep Partial Multi-View Learning [94.39367390062831]
  クロスパーシャル・マルチビュー・ネットワーク(CPM-Nets)と呼ばれる新しいフレームワークを提案する。 我々はまず、多視点表現に対する完全性と汎用性の形式的な定義を提供する。 そして、理論的に学習された潜在表現の多元性を証明する。
  論文  参考訳（メタデータ） (2020-11-12T02:29:29Z)
• 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)

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。