論文の概要: Subspace-Contrastive Multi-View Clustering
- arxiv url: http://arxiv.org/abs/2210.06795v1
- Date: Thu, 13 Oct 2022 07:19:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 17:02:01.302599
- Title: Subspace-Contrastive Multi-View Clustering
- Title(参考訳): サブスペースコントラスト型マルチビュークラスタリング
- Authors: Fu Lele, Zhang Lei, Yang Jinghua, Chen Chuan, Zhang Chuanfu, Zheng
Zibin
- Abstract要約: 本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。
ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。
提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most multi-view clustering methods are limited by shallow models without
sound nonlinear information perception capability, or fail to effectively
exploit complementary information hidden in different views. To tackle these
issues, we propose a novel Subspace-Contrastive Multi-View Clustering (SCMC)
approach. Specifically, SCMC utilizes view-specific auto-encoders to map the
original multi-view data into compact features perceiving its nonlinear
structures. Considering the large semantic gap of data from different
modalities, we employ subspace learning to unify the multi-view data into a
joint semantic space, namely the embedded compact features are passed through
multiple self-expression layers to learn the subspace representations,
respectively. In order to enhance the discriminability and efficiently excavate
the complementarity of various subspace representations, we use the contrastive
strategy to maximize the similarity between positive pairs while differentiate
negative pairs. Thus, a weighted fusion scheme is developed to initially learn
a consistent affinity matrix. Furthermore, we employ the graph regularization
to encode the local geometric structure within varying subspaces for further
fine-tuning the appropriate affinities between instances. To demonstrate the
effectiveness of the proposed model, we conduct a large number of comparative
experiments on eight challenge datasets, the experimental results show that
SCMC outperforms existing shallow and deep multi-view clustering methods.
- Abstract(参考訳): 多くのマルチビュークラスタリング手法は、音声非線形情報知覚能力のない浅いモデルで制限されているか、あるいは異なるビューに隠された補完的な情報を効果的に活用できない。
これらの課題に対処するため,我々は,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。
具体的には、SCMCはビュー固有のオートエンコーダを使用して、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。
異なるモダリティからのデータの大きなセマンティックギャップを考慮すると、我々はサブスペース学習を用いて、マルチビューデータをジョイントなセマンティック空間に統一し、組込みコンパクトな特徴を複数の自己表現層に渡してサブスペース表現を学習する。
識別性を高め、様々な部分空間表現の相補性を効率的に掘り出すために、負の対を区別しながら正の対間の相似性を最大化するためにコントラスト戦略を用いる。
これにより、最初に一貫した親和行列を学ぶために重み付き融合スキームが開発される。
さらに,任意の部分空間内の局所幾何構造をエンコードするためにグラフ正規化を用い,インスタンス間の適切な親和性をさらに微調整する。
提案モデルの有効性を実証するために,8つのチャレンジデータセットについて,多数の比較実験を行い,実験結果から,scmcが既存の浅層および深層マルチビュークラスタリング法よりも優れていることが判明した。
関連論文リスト
- Structure-guided Deep Multi-View Clustering [13.593229506936682]
深いマルチビュークラスタリングは、クラスタリング性能を改善するために、複数のビューから豊富な情報を活用することを目指している。
既存のクラスタリング手法の多くは、多視点構造情報の完全なマイニングを無視することが多い。
構造誘導型深層多視点クラスタリングモデルを提案し,多視点データの分布を探索する。
論文 参考訳(メタデータ) (2025-01-17T12:42:30Z) - Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳(メタデータ) (2024-02-03T19:00:19Z) - One for all: A novel Dual-space Co-training baseline for Large-scale
Multi-View Clustering [42.92751228313385]
我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。
提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。
我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
論文 参考訳(メタデータ) (2024-01-28T16:30:13Z) - Efficient and Effective Deep Multi-view Subspace Clustering [9.6753782215283]
E$2$MVSC(Efficient and Effective Deep Multi-View Subspace Clustering)と呼ばれる新しいディープフレームワークを提案する。
パラメータ化されたFC層の代わりに、より計算効率のよいサンプル数からネットワークパラメータスケールを分離するRelation-Metric Netを設計する。
E$2$MVSCは既存のメソッドに匹敵する結果を出し、様々なタイプのマルチビューデータセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-15T03:08:25Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳(メタデータ) (2023-03-29T14:54:19Z) - 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) - 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) - Attentive Multi-View Deep Subspace Clustering Net [4.3386084277869505]
我々は,AMVDSN(Attentive Multi-View Deep Subspace Nets)を提案する。
提案手法は,コンセンサス情報とビュー固有情報の両方を明示的に考慮した有意な潜在表現を求める。
7つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2021-12-23T12:57:26Z) - 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) - Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
本稿では,最適コンセンサスを近似する凝集分析法を提案する。
本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。
4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
論文 参考訳(メタデータ) (2020-05-12T05:39:10Z)
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。