論文の概要: Dual Representation Learning for One-Step Clustering of Multi-View Data
- arxiv url: http://arxiv.org/abs/2208.14450v1
- Date: Tue, 30 Aug 2022 14:20:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:01:49.939341
- Title: Dual Representation Learning for One-Step Clustering of Multi-View Data
- Title（参考訳）: マルチビューデータのワンステップクラスタリングのためのデュアル表現学習
- Authors: Wei Zhang, Zhaohong Deng, Kup-Sze Choi, Jun Wang, Shitong Wang
- Abstract要約: 異なるビューの共通情報と特定情報の二重表現を利用して,新しい一段階のマルチビュークラスタリング手法を提案する。
このフレームワークでは、表現学習とクラスタリングのパーティションが相互に恩恵を受け、クラスタリングのパフォーマンスが効果的に向上する。
- 参考スコア（独自算出の注目度）: 30.131568561100817
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-view data are commonly encountered in data mining applications.
Effective extraction of information from multi-view data requires specific
design of clustering methods to cater for data with multiple views, which is
non-trivial and challenging. In this paper, we propose a novel one-step
multi-view clustering method by exploiting the dual representation of both the
common and specific information of different views. The motivation originates
from the rationale that multi-view data contain not only the consistent
knowledge between views but also the unique knowledge of each view. Meanwhile,
to make the representation learning more specific to the clustering task, a
one-step learning framework is proposed to integrate representation learning
and clustering partition as a whole. With this framework, the representation
learning and clustering partition mutually benefit each other, which
effectively improve the clustering performance. Results from extensive
experiments conducted on benchmark multi-view datasets clearly demonstrate the
superiority of the proposed method.
- Abstract（参考訳）: マルチビューデータは、データマイニングアプリケーションでよく見られる。
マルチビューデータからの効果的な情報の抽出には、複数のビューを持つデータに対応するために、特定のクラスタリングメソッドを設計する必要がある。
本稿では,異なるビューの共通情報と特定情報の二重表現を利用する,新しい一段階のマルチビュークラスタリング手法を提案する。
モチベーションは、マルチビューデータはビュー間の一貫した知識だけでなく、各ビューのユニークな知識も含んでいるという理論的根拠から来ている。
一方、クラスタリングタスクに表現学習をより具体化するために、表現学習とクラスタリング分割を統合化するための一段階学習フレームワークが提案されている。
このフレームワークでは、表現学習とクラスタリング分割が相互に利益をもたらし、クラスタリングのパフォーマンスが効果的に向上する。
ベンチマークマルチビューデータセットを用いた大規模実験の結果,提案手法の優越性が明らかに示された。
関連論文リスト
- Interpretable Multi-View Clustering [8.221659822719817]
本稿では,解釈可能なマルチビュークラスタリングフレームワークを提案する。
実データを用いた実験結果から,本手法は最先端クラスタリング手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2024-05-04T11:56:24Z) - A Novel Approach for Effective Multi-View Clustering with
Information-Theoretic Perspective [24.630259061774836]
本研究では,多視点クラスタリングフレームワークを情報理論の観点から検討する,SUMVC(Sufficient Multi-View Clustering)と呼ばれる新しい手法を提案する。
まず,変分解析を用いて一貫した情報を生成する,シンプルで信頼性の高いマルチビュークラスタリング手法SCMVCを開発する。
次に、一貫した情報を強化し、ビュー間の不要な情報を最小限に抑えるのに十分な表現境界を提案する。
論文 参考訳（メタデータ） (2023-09-25T09:41:11Z) - 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) - GCFAgg: Global and Cross-view Feature Aggregation for Multi-view
Clustering [45.530950521907265]
マルチビュークラスタリングは、教師なしの方法でコンセンサス表現を学習することで、データサンプルをカテゴリに分割することができる。
GggMVC(Global and Cross-view Feature aggregate for Multi-View Clustering)と呼ばれる新しいマルチビュークラスタリングネットワークを提案する。
提案手法は,完全多視点データクラスタリングタスクと不完全多視点データクラスタリングタスクの両方において,優れた性能を実現する。
論文 参考訳（メタデータ） (2023-05-11T13:41:13Z) - Multi-View Clustering from the Perspective of Mutual Information [0.0]
Informative Multi-View Clustering (IMVC) と呼ばれる情報理論に基づく新しいモデルを提案する。
IMVCは、多視点データに隠された共通かつビュー固有の情報を抽出し、クラスタリング指向の包括的な表現を構築する。
本研究では,6つのベンチマークデータセットについて広範な実験を行い,IMVCが他の手法よりも優れていることを示す実験結果を得た。
論文 参考訳（メタデータ） (2023-02-17T07:49:27Z) - 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) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - 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) - Embedded Deep Bilinear Interactive Information and Selective Fusion for
Multi-view Learning [70.67092105994598]
本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。
特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。
6つの公開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） (2020-07-13T01:13:23Z) - 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。