論文の概要: Self-supervised Image Clustering from Multiple Incomplete Views via
Constrastive Complementary Generation
- arxiv url: http://arxiv.org/abs/2209.11927v1
- Date: Sat, 24 Sep 2022 05:08:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 16:07:17.903729
- Title: Self-supervised Image Clustering from Multiple Incomplete Views via
Constrastive Complementary Generation
- Title（参考訳）: コンストラッシブ補完生成による複数不完全視点からの自己監督画像クラスタリング
- Authors: Jiatai Wang, Zhiwei Xu, Xuewen Yang, Dongjin Guo, Limin Liu
- Abstract要約: 我々は、CIMIC-GAN(Generative Adversarial Networks)を用いたコントラスト不完全なマルチビュー画像クラスタリングを提案する。
完全および不完全データの自己エンコーディング表現を二重コントラスト学習に組み込んで学習一貫性を実現する。
テキストカラーブラックフールを用いた実験により、CIMIC-GANは最先端の非完全なマルチビュークラスタリング法より優れていることが示された。
- 参考スコア（独自算出の注目度）: 5.314364096882052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Incomplete Multi-View Clustering aims to enhance clustering performance by
using data from multiple modalities. Despite the fact that several approaches
for studying this issue have been proposed, the following drawbacks still
persist: 1) It's difficult to learn latent representations that account for
complementarity yet consistency without using label information; 2) and thus
fails to take full advantage of the hidden information in incomplete data
results in suboptimal clustering performance when complete data is scarce. In
this paper, we propose Contrastive Incomplete Multi-View Image Clustering with
Generative Adversarial Networks (CIMIC-GAN), which uses GAN to fill in
incomplete data and uses double contrastive learning to learn consistency on
complete and incomplete data. More specifically, considering diversity and
complementary information among multiple modalities, we incorporate
autoencoding representation of complete and incomplete data into double
contrastive learning to achieve learning consistency. Integrating GANs into the
autoencoding process can not only take full advantage of new features of
incomplete data, but also better generalize the model in the presence of high
data missing rates. Experiments conducted on \textcolor{black}{four}
extensively-used datasets show that CIMIC-GAN outperforms state-of-the-art
incomplete multi-View clustering methods.
- Abstract（参考訳）: 不完全なマルチビュークラスタリングは、複数のモードのデータを使用することでクラスタリングのパフォーマンスを向上させることを目的としている。
この問題を研究するためのいくつかのアプローチが提案されているが、以下の欠点は残っている。
1)ラベル情報を使わずに相補的かつ一貫性のある潜在表現を学習することは困難である。
したがって、不完全なデータで隠れた情報をフルに活用できないため、完全なデータが不足している場合、サブオプティマイズなクラスタリングのパフォーマンスが向上する。
本稿では,GANを用いて不完全データを補完し,コントラスト学習を用いて完全かつ不完全なデータの一貫性を学習するコントラスト非完全多視点画像クラスタリング(CIMIC-GAN)を提案する。
具体的には,複数のモーダル間の多様性と相補的情報を考慮し,完全および不完全データの自己エンコード表現を二重コントラスト学習に組み込んで学習一貫性を実現する。
自動エンコーディングプロセスへのganの統合は、不完全なデータの新機能をフルに活用するだけでなく、高いデータ欠落率が存在する場合にモデルをより一般化することができる。
CIMIC-GANは最先端の非完全なマルチビュークラスタリング手法より優れていることを示す。
関連論文リスト
- Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。
既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。
非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-14T19:16:01Z) - CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳（メタデータ） (2024-03-28T15:45:03Z) - Incomplete Contrastive Multi-View Clustering with High-Confidence
Guiding [7.305817202715752]
高信頼誘導(ICMVC)を用いた非完全コントラストマルチビュークラスタリング手法を提案する。
まず、欠落した値問題に対処するために、マルチビュー整合関係転送とグラフ畳み込みネットワークを提案する。
第2に、補完情報を活用するために、インスタンスレベルの注意融合と高信頼誘導を提案する。
論文 参考訳（メタデータ） (2023-12-14T07:28:41Z) - 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) - Unpaired Multi-View Graph Clustering with Cross-View Structure Matching [39.310384044597065]
既存のMVCメソッドの多くは、マルチビューデータが完全にペアリングされていると仮定している。
データ通信は、データ破損やセンサーの違いにより、現実世界のアプリケーションでは不完全であることが多い。
本稿では,クロスビュー構造マッチングを用いたパラメータフリーグラフクラスタリングフレームワークUnpaired Multi-view Graph Clusteringフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-07T09:29:44Z) - Incomplete Multi-view Clustering via Diffusion Completion [0.0]
本稿では,不完全なマルチビュークラスタリングフレームワークに組み込まれている不完全なビューを復元する拡散補完法を提案する。
観測可能なビュー情報に基づいて、拡散モデルを用いて、行方不明のビューを復元する。
提案手法は,最先端の手法と比較して,クラスタリング性能が優れている一方で,欠落したビューの回復に有効である。
論文 参考訳（メタデータ） (2023-05-19T07:39:24Z) - Clustering-Induced Generative Incomplete Image-Text Clustering (CIGIT-C) [3.2062075983668343]
本稿では,クラスタリングによる生成不完全画像テキストクラスタリング(CIGIT-C)ネットワークを提案する。
まず、モダリティ固有のエンコーダを用いて、元の特徴をより特異な部分空間にマッピングする。
イントラモダリティとインターモダリティ間の潜伏接続は、徹底的に調査されている。
論文 参考訳（メタデータ） (2022-09-28T01:19:52Z) - Latent Heterogeneous Graph Network for Incomplete Multi-View Learning [57.49776938934186]
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。
論文 参考訳（メタデータ） (2022-08-29T15:14:21Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
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。
論文 参考訳（メタデータ） (2022-08-25T05:47:39Z) - Error-Robust Multi-View Clustering: Progress, Challenges and
Opportunities [67.54503077766171]
ラベル情報は取得に費用がかかることが多いため、マルチビュークラスタリングが注目されている。
明示的なエラー除去定式化によるエラーロバストマルチビュークラスタリングアプローチは、5つの広範な研究カテゴリに構成できる。
この調査は、マルチビューデータに対するエラーロストクラスタリングの最近の進歩を要約し、レビューする。
論文 参考訳（メタデータ） (2021-05-07T04:03:02Z) - 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。