論文の概要: Tucker-O-Minus Decomposition for Multi-view Tensor Subspace Clustering

• arxiv url: http://arxiv.org/abs/2210.12638v1
• Date: Sun, 23 Oct 2022 07:20:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 18:24:21.544679
• Title: Tucker-O-Minus Decomposition for Multi-view Tensor Subspace Clustering
• Title（参考訳）: マルチビューテンソルサブスペースクラスタリングのためのTucker-O-Minus分解
• Authors: Yingcong Lu, Yipeng Liu, Zhen Long, Zhangxin Chen, Ce Zhu
• Abstract要約: マルチビュークラスタリングのための新しいテンソル分解法Tucker-O-Minus Decomposition (TOMD)を提案する。 6つのベンチマークデータセットの数値実験により,Fスコア,精度,リコール,正規化相互情報,調整されたランドインデックス,精度の観点から,提案手法の優位性を示した。
• 参考スコア（独自算出の注目度）: 36.790637575875635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With powerful ability to exploit latent structure of self-representation information, different tensor decompositions have been employed into low rank multi-view clustering (LRMVC) models for achieving significant performance. However, current approaches suffer from a series of problems related to those tensor decomposition, such as the unbalanced matricization scheme, rotation sensitivity, deficient correlations capture and so forth. All these will lead to LRMVC having insufficient access to global information, which is contrary to the target of multi-view clustering. To alleviate these problems, we propose a new tensor decomposition called Tucker-O-Minus Decomposition (TOMD) for multi-view clustering. Specifically, based on the Tucker format, we additionally employ the O-minus structure, which consists of a circle with an efficient bridge linking two weekly correlated factors. In this way, the core tensor in Tucker format is replaced by the O-minus architecture with a more balanced structure, and the enhanced capacity of capturing the global low rank information will be achieved. The proposed TOMD also provides more compact and powerful representation abilities for the self-representation tensor, simultaneously. The alternating direction method of multipliers is used to solve the proposed model TOMD-MVC. Numerical experiments on six benchmark data sets demonstrate the superiority of our proposed method in terms of F-score, precision, recall, normalized mutual information, adjusted rand index, and accuracy.
• Abstract（参考訳）: 自己表現情報の潜在構造を利用する強力な能力により、異なるテンソル分解が低ランクマルチビュークラスタリング(LRMVC)モデルに採用され、高い性能を実現している。 しかし、現在のアプローチは、不均衡な成熟スキーム、回転感度、不完全な相関捕獲など、これらのテンソル分解に関連する一連の問題に悩まされている。 これらのすべてが、マルチビュークラスタリングのターゲットとは逆のグローバル情報へのアクセスが不十分なLRMVCにつながる。 これらの問題を緩和するために,マルチビュークラスタリングのための新しいテンソル分解であるtucker-o-minus decomposition (tomd)を提案する。 具体的には、タッカー形式に基づいて、2つの週次相関因子をリンクする効率的な橋を持つ円からなるO-minus構造を用いる。 このように、タッカー形式のコアテンソルはO-minusアーキテクチャに置き換えられ、よりバランスの取れた構造となり、グローバルな低ランク情報を取得する能力が向上する。 提案されたtomdはまた、自己表現テンソルに対して、よりコンパクトで強力な表現能力を同時に提供する。 乗算器の交互方向法を用いて,提案したモデルTOMD-MVCを解く。 6つのベンチマークデータセットの数値実験により,Fスコア,精度,リコール,正規化相互情報,調整されたランドインデックス,精度の観点から,提案手法の優位性を示した。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
  アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。 複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
  論文  参考訳（メタデータ） (2024-04-01T03:23:55Z)
• 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)
• Multi-view MERA Subspace Clustering [42.33688860165733]
  マルチビューサブスペースクラスタリング(MSC)は自己表現テンソルにおける高次相関を捉えることができる。 本稿では,MERAをベースとした低ランクMSCアルゴリズムを提案し,MERAはテンソルを1つのトップコアファクタと残りの直交/半直交因子の収縮に分解する。 我々は、アンカー学習を取り入れたMERA-MSCを拡張し、スケーラブルな低ランクMERAベースのマルチビュークラスタリング法(sMREA-MVC)を開発した。
  論文  参考訳（メタデータ） (2023-05-16T01:41:10Z)
• Adaptively Topological Tensor Network for Multi-view Subspace Clustering [36.790637575875635]
  マルチビューサブスペースクラスタリングでは、学習した自己表現テンソルを使用して低ランク情報を利用する。 予め定義されたテンソル分解は、あるデータセットの低ランク情報を完全に活用できない。 自己表現テンソルの構造情報からエッジランクを決定することで適応的トポロジカルテンソルネットワーク(ATTN)を提案する。
  論文  参考訳（メタデータ） (2023-05-01T08:28:33Z)
• Hyper-Laplacian Regularized Concept Factorization in Low-rank Tensor Space for Multi-view Clustering [0.0]
  マルチビュークラスタリングのための低ランクテンソル空間における超ラプラシア正規化概念分解(HLRCF)を提案する。 具体的には、各ビューの潜在クラスタ単位の表現を探索するために、概念因子化を採用します。 異なるテンソル特異値が構造情報と不等値とを関連付けることを考慮し、自己重み付きテンソルSchatten p-ノルムを開発する。
  論文  参考訳（メタデータ） (2023-04-22T15:46:58Z)
• 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)
• ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
  我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。 ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。 実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
  論文  参考訳（メタデータ） (2022-06-24T08:18:05Z)
• Low-Rank and Sparse Enhanced Tucker Decomposition for Tensor Completion [3.498620439731324]
  テンソル完備化のために,低ランクかつスパースに拡張されたタッカー分解モデルを導入する。 我々のモデルはスパースコアテンソルを促進するためにスパース正規化項を持ち、テンソルデータ圧縮に有用である。 テンソルに出現する潜在的な周期性と固有相関特性を利用するので,本モデルでは様々な種類の実世界のデータセットを扱うことが可能である。
  論文  参考訳（メタデータ） (2020-10-01T12:45:39Z)

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。