論文の概要: Efficient Multi-view Clustering via Unified and Discrete Bipartite Graph Learning

• arxiv url: http://arxiv.org/abs/2209.04187v2
• Date: Wed, 22 Mar 2023 15:19:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 03:22:34.998402
• Title: Efficient Multi-view Clustering via Unified and Discrete Bipartite Graph Learning
• Title（参考訳）: 統一・離散二部グラフ学習による効率的なマルチビュークラスタリング
• Authors: Si-Guo Fang, Dong Huang, Xiao-Sha Cai, Chang-Dong Wang, Chaobo He, Yong Tang
• Abstract要約: 本稿では,統一および離散二部グラフ学習(UDBGL)による効率的なマルチビュークラスタリング手法を提案する。 複数のビューからビュー固有の二部グラフを学習するために、アンカーベースのサブスペース学習が組み込まれている。 ラプラシア階数制約は、融合二部グラフが離散クラスタ構造を持つことを保証するために課される。
• 参考スコア（独自算出の注目度）: 15.617206773324952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although previous graph-based multi-view clustering algorithms have gained significant progress, most of them are still faced with three limitations. First, they often suffer from high computational complexity, which restricts their applications in large-scale scenarios. Second, they usually perform graph learning either at the single-view level or at the view-consensus level, but often neglect the possibility of the joint learning of single-view and consensus graphs. Third, many of them rely on the k-means for discretization of the spectral embeddings, which lack the ability to directly learn the graph with discrete cluster structure. In light of this, this paper presents an efficient multi-view clustering approach via unified and discrete bipartite graph learning (UDBGL). Specifically, the anchor-based subspace learning is incorporated to learn the view-specific bipartite graphs from multiple views, upon which the bipartite graph fusion is leveraged to learn a view-consensus bipartite graph with adaptive weight learning. Further, the Laplacian rank constraint is imposed to ensure that the fused bipartite graph has discrete cluster structures (with a specific number of connected components). By simultaneously formulating the view-specific bipartite graph learning, the view-consensus bipartite graph learning, and the discrete cluster structure learning into a unified objective function, an efficient minimization algorithm is then designed to tackle this optimization problem and directly achieve a discrete clustering solution without requiring additional partitioning, which notably has linear time complexity in data size. Experiments on a variety of multi-view datasets demonstrate the robustness and efficiency of our UDBGL approach. The code is available at https://github.com/huangdonghere/UDBGL.
• Abstract（参考訳）: 従来のグラフベースのマルチビュークラスタリングアルゴリズムは大きな進歩を遂げているが、そのほとんどがまだ3つの制限に直面している。 まず、それらはしばしば計算の複雑さに悩まされ、大規模なシナリオでの応用を制限する。 第二に、通常はシングルビューレベルでもビューコンセンサスレベルでもグラフ学習を行うが、シングルビューとコンセンサスグラフの共同学習の可能性は無視されることが多い。 第三に、それらの多くはスペクトル埋め込みの離散化にk平均に依存しており、離散クラスタ構造でグラフを直接学習する能力に欠ける。 そこで本稿では,統一型および離散型2部グラフ学習(udbgl)による効率的なマルチビュークラスタリング手法を提案する。 具体的には、アンカーベースの部分空間学習を用いて、複数のビューからビュー固有の二部グラフを学習し、その上で二部グラフ融合を利用して、適応重み学習を伴うビュー合意二部グラフを学習する。 さらに、融合二部グラフが(特定の数の連結成分を持つ)離散クラスタ構造を持つことを保証するために、ラプラシアン階制限が課される。 ビュー固有二部グラフ学習、ビュー合意二部グラフ学習、および個別クラスタ構造学習を統一目的関数に同時に定式化することにより、この最適化問題に対処し、特にデータサイズに線形時間的複雑性を有する分別クラスタリングソリューションを直接実現する効率的な最小化アルゴリズムを設計する。 さまざまなマルチビューデータセットの実験は、UDBGLアプローチの堅牢性と効率を実証しています。 コードはhttps://github.com/huangdonghere/udbglで入手できる。

関連論文リスト

• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Multiview Graph Learning with Consensus Graph [24.983233822595274]
  グラフトポロジ推論は多くのアプリケーション領域において重要なタスクである。 多くの現代のデータセットは異質または混合であり、複数の関連するグラフ、すなわちマルチビューグラフを含んでいる。 コンセンサス正則化に基づく代替手法を提案する。 また、脳波記録(EEG)から複数の被験者の脳機能接続ネットワークを推定するためにも用いられる。
  論文  参考訳（メタデータ） (2024-01-24T19:35:54Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Multiple Graph Learning for Scalable Multi-view Clustering [26.846642220480863]
  少数のアンカー点とテンソルシャッテンp-ノルム最小化による効率的な多重グラフ学習モデルを提案する。 具体的には、各ビューに対してアンカーグラフを用いて、隠蔽かつトラクタブルな大きなグラフを構築する。 本研究では,データサイズと線形にスケールする効率的なアルゴリズムを開発し,提案したモデルを解く。
  論文  参考訳（メタデータ） (2021-06-29T13:10:56Z)
• Structured Graph Learning for Scalable Subspace Clustering: From Single-view to Multi-view [28.779909990410978]
  グラフベースのサブスペースクラスタリング手法は有望な性能を示した。 コストのかかる時間のオーバーヘッドに遭遇し、明示的なクラスタの探索に失敗し、見えないデータポイントに一般化することはできません。 上記の3つの課題を同時に解決しようとする,スケーラブルなグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-16T03:46:11Z)
• 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。