論文の概要: Graph-Collaborated Auto-Encoder Hashing for Multi-view Binary Clustering

• arxiv url: http://arxiv.org/abs/2301.02484v1
• Date: Fri, 6 Jan 2023 12:43:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-09 23:52:18.097343
• Title: Graph-Collaborated Auto-Encoder Hashing for Multi-view Binary Clustering
• Title（参考訳）: 多視点バイナリクラスタリングのためのグラフコラボレーテッドオートエンコーダハッシュ
• Authors: Huibing Wang, Mingze Yao, Guangqi Jiang, Zetian Mi, Xianping Fu
• Abstract要約: マルチビューバイナリクラスタリングのための自動エンコーダに基づくハッシュアルゴリズムを提案する。 具体的には,低ランク制約を用いた多視点親和性グラフ学習モデルを提案する。 また、複数の親和性グラフを協調して協調するエンコーダ・デコーダのパラダイムを設計し、統一されたバイナリコードを効果的に学習する。
• 参考スコア（独自算出の注目度）: 11.082316688429641
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Unsupervised hashing methods have attracted widespread attention with the explosive growth of large-scale data, which can greatly reduce storage and computation by learning compact binary codes. Existing unsupervised hashing methods attempt to exploit the valuable information from samples, which fails to take the local geometric structure of unlabeled samples into consideration. Moreover, hashing based on auto-encoders aims to minimize the reconstruction loss between the input data and binary codes, which ignores the potential consistency and complementarity of multiple sources data. To address the above issues, we propose a hashing algorithm based on auto-encoders for multi-view binary clustering, which dynamically learns affinity graphs with low-rank constraints and adopts collaboratively learning between auto-encoders and affinity graphs to learn a unified binary code, called Graph-Collaborated Auto-Encoder Hashing for Multi-view Binary Clustering (GCAE). Specifically, we propose a multi-view affinity graphs learning model with low-rank constraint, which can mine the underlying geometric information from multi-view data. Then, we design an encoder-decoder paradigm to collaborate the multiple affinity graphs, which can learn a unified binary code effectively. Notably, we impose the decorrelation and code balance constraints on binary codes to reduce the quantization errors. Finally, we utilize an alternating iterative optimization scheme to obtain the multi-view clustering results. Extensive experimental results on $5$ public datasets are provided to reveal the effectiveness of the algorithm and its superior performance over other state-of-the-art alternatives.
• Abstract（参考訳）: 教師なしハッシュ法は大規模データの爆発的成長に広く関心を集めており、コンパクトなバイナリコードを学習することでストレージと計算を大幅に削減することができる。 既存の教師なしハッシュ手法では、サンプルからの貴重な情報を活用しようとするが、ラベルなしサンプルの局所幾何構造を考慮していない。 さらに、オートエンコーダに基づくハッシュは、複数のソースデータの潜在的な一貫性と相補性を無視した入力データとバイナリコードの間の再構成損失を最小限にすることを目的としている。 本稿では,マルチビューバイナリクラスタリングのための自動エンコーダに基づくハッシュアルゴリズムを提案する。これは低ランク制約付きアフィニティグラフを動的に学習し,マルチビューバイナリクラスタリングのためのグラフ共用オートエンコーダハッシュ(gcae)と呼ばれる,統合バイナリコードを学習するためにオートエンコーダとアフィニティグラフの協調学習を採用する。 具体的には,低ランク制約を用いた多視点親和性グラフ学習モデルを提案する。 次に、複数の親和性グラフを協調して統一バイナリコードを効果的に学習するエンコーダ・デコーダパラダイムを設計する。 特に、量子化エラーを低減するためにバイナリコードにデコレーションとコードバランスの制約を課す。 最後に,複数ビュークラスタリング結果を得るために反復反復最適化方式を用いる。 5ドルの公開データセットに関する広範な実験結果は、アルゴリズムの有効性と、他の最先端の代替品よりも優れた性能を明らかにするために提供される。

関連論文リスト

• Masked AutoEncoder for Graph Clustering without Pre-defined Cluster Number k [15.711916432302576]
  マスク付きオートエンコーダ(GCMA)を用いたグラフクラスタリングという新しいフレームワークを提案する。 グラフの融合符号化のためのグラフマスキング法に基づいて設計したフュージョンオートエンコーダを用いる。 改良された密度ベースクラスタリングアルゴリズムを第2復号器として導入し,マルチターゲット再構成による復号化を実現した。
  論文  参考訳（メタデータ） (2024-01-09T08:34:36Z)
• Supervised Auto-Encoding Twin-Bottleneck Hashing [5.653113092257149]
  Twin-Bottleneck Hashingはグラフを動的に構築する手法である。 本研究では,ラベル情報を組み込むことで,オリジナルモデルを教師付きディープハッシュネットワークに一般化する。
  論文  参考訳（メタデータ） (2023-06-19T18:50:02Z)
• RGCVAE: Relational Graph Conditioned Variational Autoencoder for Molecule Design [70.59828655929194]
  ディープグラフ変分自動エンコーダは、この問題に対処可能な、最も強力な機械学習ツールの1つである。 i)新しい強力なグラフ同型ネットワークを利用した符号化ネットワーク,(ii)新しい確率的復号化コンポーネントを提案する。
  論文  参考訳（メタデータ） (2023-05-19T14:23:48Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [45.29194877564103]
  本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。 このようなネットワークの近似力を議論し、周囲空間の次元ではなく、本質的にデータ多様体の内在次元に依存する境界を導出する。
  論文  参考訳（メタデータ） (2022-08-22T19:58:03Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)
• Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
  本稿では,効率よく適応的なコード駆動グラフを提案する。 自動エンコーダのコンテキストでデコードすることで更新される。 ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
  論文  参考訳（メタデータ） (2020-02-27T05:58:12Z)

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。