論文の概要: Heterogeneous Tri-stream Clustering Network
- arxiv url: http://arxiv.org/abs/2301.04451v1
- Date: Wed, 11 Jan 2023 13:15:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 14:19:28.092391
- Title: Heterogeneous Tri-stream Clustering Network
- Title（参考訳）: 異種トリストリームクラスタリングネットワーク
- Authors: Xiaozhi Deng, Dong Huang, Chang-Dong Wang
- Abstract要約: 本稿ではヘテロジニアス三ストリームクラスタリングネットワーク(HTCN)と呼ばれる新しいエンドツーエンドのディープクラスタリング手法を提案する。
HTCNは2つの重み付けオンラインネットワークとターゲットネットワークを含む3つの主要コンポーネントで構成されている。
4つの挑戦的なイメージデータセットの結果は、最先端のディープクラスタリングアプローチよりもHTCNの方が優れていることを示している。
- 参考スコア（独自算出の注目度）: 19.020799713145056
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Contrastive deep clustering has recently gained significant attention with
its ability of joint contrastive learning and clustering via deep neural
networks. Despite the rapid progress, previous works mostly require both
positive and negative sample pairs for contrastive clustering, which rely on a
relative large batch-size. Moreover, they typically adopt a two-stream
architecture with two augmented views, which overlook the possibility and
potential benefits of multi-stream architectures (especially with heterogeneous
or hybrid networks). In light of this, this paper presents a new end-to-end
deep clustering approach termed Heterogeneous Tri-stream Clustering Network
(HTCN). The tri-stream architecture in HTCN consists of three main components,
including two weight-sharing online networks and a target network, where the
parameters of the target network are the exponential moving average of that of
the online networks. Notably, the two online networks are trained by
simultaneously (i) predicting the instance representations of the target
network and (ii) enforcing the consistency between the cluster representations
of the target network and that of the two online networks. Experimental results
on four challenging image datasets demonstrate the superiority of HTCN over the
state-of-the-art deep clustering approaches. The code is available at
https://github.com/dengxiaozhi/HTCN.
- Abstract（参考訳）: 対照的なディープクラスタリングは、ディープニューラルネットワークによるコントラスト学習とクラスタリング機能によって、最近大きな注目を集めている。
急速な進歩にもかかわらず、従来の研究は比較的大きなバッチサイズに依存する対照的なクラスタリングのために、正と負の両方のサンプルペアを必要としていた。
さらに、一般的に2つの拡張ビューを持つ2ストリームアーキテクチャを採用しており、これはマルチストリームアーキテクチャ(特に異種ネットワークやハイブリッドネットワーク)の可能性と潜在的な利点を見落としている。
そこで本研究では,Herogeneous Tri-stream Clustering Network (HTCN) と呼ばれる新しいエンドツーエンドのディープクラスタリング手法を提案する。
HTCNのトリストリームアーキテクチャは、2つの重み付けオンラインネットワークとターゲットネットワークを含む3つの主要コンポーネントで構成されており、ターゲットネットワークのパラメータはオンラインネットワークの指数的な移動平均である。
特筆すべきは 2つのオンラインネットワークは同時に
(i)対象ネットワークのインスタンス表現の予測と
(2)ターゲットネットワークのクラスタ表現と2つのオンラインネットワークのクラスタ表現との整合性を確保する。
4つの挑戦的な画像データセットの実験結果は、最先端のディープクラスタリングアプローチよりもHTCNの方が優れていることを示している。
コードはhttps://github.com/dengxiaozhi/htcnで入手できる。
関連論文リスト
- Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。
マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。
提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
論文 参考訳（メタデータ） (2023-10-06T02:35:35Z) - Deep Image Clustering with Contrastive Learning and Multi-scale Graph
Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。
複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文 参考訳（メタデータ） (2022-07-14T19:16:56Z) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳（メタデータ） (2022-06-01T09:51:38Z) - Deep Embedded Clustering with Distribution Consistency Preservation for
Attributed Networks [15.895606627146291]
本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。
グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。
提案手法は, 最先端手法と比較して, 性能が著しく向上する。
論文 参考訳（メタデータ） (2022-05-28T02:35:34Z) - Learning Asymmetric Embedding for Attributed Networks via Convolutional
Neural Network [19.611523749659355]
AAGCNと呼ばれる畳み込みグラフニューラルネットワークに基づく新しい非対称属性ネットワーク埋め込みモデルを提案する。
主な考え方は、有向属性ネットワークの非対称な近接性と非対称な類似性を極大に保存することである。
ネットワーク再構成,リンク予測,ノード分類,可視化タスクのための実世界の3つのネットワーク上でのAAGCNの性能を検証した。
論文 参考訳（メタデータ） (2022-02-13T13:35:15Z) - Deep Fusion Clustering Network [38.540761683389135]
深層クラスタリングのための深層フュージョンクラスタリングネットワーク(DFCN)を提案する。
本ネットワークでは,オートエンコーダとグラフオートエンコーダが学習した表現を明示的にマージするために,相互依存学習に基づく構造化と属性情報融合(SAIF)モジュールを提案する。
6つのベンチマークデータセットの実験により、提案されたDFCNは最先端のディープクラスタリング手法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-12-15T09:37:59Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。
まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。
マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
論文 参考訳（メタデータ） (2020-08-09T04:59:35Z) - Recursive Multi-model Complementary Deep Fusion forRobust Salient Object
Detection via Parallel Sub Networks [62.26677215668959]
完全畳み込みネットワークは、正体検出(SOD)分野において優れた性能を示している。
本稿では,全く異なるネットワークアーキテクチャを持つ並列サブネットワークからなる,より広いネットワークアーキテクチャを提案する。
いくつかの有名なベンチマークの実験では、提案されたより広範なフレームワークの優れた性能、優れた一般化、強力な学習能力が明らかに示されている。
論文 参考訳（メタデータ） (2020-08-07T10:39:11Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z)
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。