論文の概要: High-order Multi-view Clustering for Generic Data

• arxiv url: http://arxiv.org/abs/2209.10838v1
• Date: Thu, 22 Sep 2022 07:49:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 12:31:15.076464
• Title: High-order Multi-view Clustering for Generic Data
• Title（参考訳）: ジェネリックデータのための高次マルチビュークラスタリング
• Authors: Erlin Pan, Zhao Kang
• Abstract要約: グラフベースのマルチビュークラスタリングは、ほとんどの非グラフアプローチよりも優れたパフォーマンスを実現している。 本稿では,高次マルチビュークラスタリング (HMvC) という手法を導入し,汎用データのトポロジ構造情報を探索する。
• 参考スコア（独自算出の注目度）: 15.764819403555512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based multi-view clustering has achieved better performance than most non-graph approaches. However, in many real-world scenarios, the graph structure of data is not given or the quality of initial graph is poor. Additionally, existing methods largely neglect the high-order neighborhood information that characterizes complex intrinsic interactions. To tackle these problems, we introduce an approach called high-order multi-view clustering (HMvC) to explore the topology structure information of generic data. Firstly, graph filtering is applied to encode structure information, which unifies the processing of attributed graph data and non-graph data in a single framework. Secondly, up to infinity-order intrinsic relationships are exploited to enrich the learned graph. Thirdly, to explore the consistent and complementary information of various views, an adaptive graph fusion mechanism is proposed to achieve a consensus graph. Comprehensive experimental results on both non-graph and attributed graph data show the superior performance of our method with respect to various state-of-the-art techniques, including some deep learning methods.
• Abstract（参考訳）: グラフベースのマルチビュークラスタリングは、ほとんどの非グラフアプローチよりも優れたパフォーマンスを達成している。 しかし、多くの現実のシナリオでは、データのグラフ構造が与えられず、初期グラフの品質が劣っている。 さらに、既存の手法は複雑な内在的相互作用を特徴付ける高次近傍情報を無視している。 これらの問題に対処するために、汎用データのトポロジ構造情報を調べるために、高次マルチビュークラスタリング(HMvC)というアプローチを導入する。 まず、属性付きグラフデータと非グラフデータの処理を単一のフレームワークで統一する構造情報を符号化するためにグラフフィルタリングを適用する。 第二に、無限次固有関係を利用して学習したグラフを豊かにする。 第3に,様々な視点の一貫性と補完的情報を探索するために,コンセンサスグラフを実現するための適応グラフ融合機構を提案する。 非グラフデータと有意グラフデータの両方における総合的な実験結果は、ディープラーニング法を含む様々な最先端技術に対して、この手法の優れた性能を示している。

関連論文リスト

• Scalable Multi-view Clustering with Graph Filtering [18.83570662893356]
  属性データとグラフデータの両方を異質な特徴でクラスタリングする汎用フレームワークを提案する。 具体的には、まず、高周波ノイズを除去するグラフフィルタリング手法を採用する。 スケーラビリティの課題に対処するため、我々はアンカーの品質を向上させるための新しいサンプリング戦略を開発した。
  論文  参考訳（メタデータ） (2022-05-18T22:04:23Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Multi-view Contrastive Graph Clustering [12.463334005083379]
  マルチビュー属性グラフデータをクラスタリングするための汎用フレームワークを提案する。 コントラスト学習の成功に触発されて,マルチビューコントラストグラフクラスタリング(MCGC)法を提案する。 私たちの単純なアプローチは、既存のディープラーニングベースの手法よりも優れています。
  論文  参考訳（メタデータ） (2021-10-22T15:22:42Z)
• 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)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• 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)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。