論文の概要: MCoCo: Multi-level Consistency Collaborative Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2302.13339v1
• Date: Sun, 26 Feb 2023 16:08:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 17:47:12.549873
• Title: MCoCo: Multi-level Consistency Collaborative Multi-view Clustering
• Title（参考訳）: mcoco: 多レベル一貫性協調型マルチビュークラスタリング
• Authors: Yiyang Zhou, Qinghai Zheng, Wenbiao Yan, Yifei Wang, Jihua Zhu
• Abstract要約: マルチビュークラスタリングは、異なるビューからの一貫性のある情報を調べて、クラスタリングをガイドする。 マルチビュークラスタリングのための新しいMCoCo(Multi-level Consistency Collaborative Learning framework)を提案する。
• 参考スコア（独自算出の注目度）: 13.589996737740208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering can explore consistent information from different views to guide clustering. Most existing works focus on pursuing shallow consistency in the feature space and integrating the information of multiple views into a unified representation for clustering. These methods did not fully consider and explore the consistency in the semantic space. To address this issue, we proposed a novel Multi-level Consistency Collaborative learning framework (MCoCo) for multi-view clustering. Specifically, MCoCo jointly learns cluster assignments of multiple views in feature space and aligns semantic labels of different views in semantic space by contrastive learning. Further, we designed a multi-level consistency collaboration strategy, which utilizes the consistent information of semantic space as a self-supervised signal to collaborate with the cluster assignments in feature space. Thus, different levels of spaces collaborate with each other while achieving their own consistency goals, which makes MCoCo fully mine the consistent information of different views without fusion. Compared with state-of-the-art methods, extensive experiments demonstrate the effectiveness and superiority of our method.
• Abstract（参考訳）: マルチビュークラスタリングは、さまざまなビューから一貫した情報を探索し、クラスタリングをガイドする。 既存の作品の多くは、機能空間における浅い一貫性を追求し、複数のビューの情報をクラスタリングのための統一表現に統合することに焦点を当てている。 これらの手法は意味空間における一貫性を十分に考慮し、探求しなかった。 そこで我々は,マルチビュークラスタリングのためのMCoCo(Multi-level Consistency Collaborative Learning framework)を提案する。 具体的には、MCoCoは特徴空間における複数のビューのクラスタ割り当てを共同で学習し、対照的な学習によって意味空間における異なるビューのセマンティックラベルを調整する。 さらに,semantic spaceの一貫した情報を自己教師付き信号として活用し,機能空間におけるクラスタ割り当てと協調するマルチレベル一貫性協調戦略を考案した。 したがって、異なるレベルの空間が相互に連携し、それぞれの一貫性の目標を達成することで、MCoCoは融合せずに異なるビューの一貫性のある情報を完全にマイニングする。 最先端手法と比較して,本手法の有効性と優越性について広範な実験を行った。

関連論文リスト

• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• Multi-level Reliable Guidance for Unpaired Multi-view Clustering [7.441454668534061]
  MRG-UMC(Multi-level Reliable Guidance for UMC) という手法を提案する。 MRG-UMCはマルチレベルクラスタリングを活用して、インナービュー、クロスビュー、コモンビューにわたる信頼できるクラスタ構造を学習する。 クロスビュー学習では、信頼性の高いビューガイダンスは、他のビューにおけるクラスタ構造の信頼性を高める。
  論文  参考訳（メタデータ） (2024-07-01T12:49:55Z)
• Joint Multi-View Collaborative Clustering [0.0]
  マルチビューデータは、従来のシングルビューデータよりもリッチな情報を提供する。 マルチビュークラスタリングアルゴリズムの目標は、複数のビューで共有される共通の潜在構造を見つけることである。 本稿では,JMVCC(Joint Multi-View Collaborative Clustering)ソリューションを提案する。
  論文  参考訳（メタデータ） (2023-10-25T08:23:45Z)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• DivClust: Controlling Diversity in Deep Clustering [47.85350249697335]
  DivClustはコンセンサスクラスタリングソリューションを生成し、単一クラスタリングベースラインを一貫して上回る。 提案手法は, フレームワークやデータセット間の多様性を, 計算コストを極めて小さく効果的に制御する。
  論文  参考訳（メタデータ） (2023-04-03T14:45:43Z)
• Multi-view Semantic Consistency based Information Bottleneck for Clustering [13.589996737740208]
  クラスタリングのための多視点セマンティック一貫性に基づく情報ボトルネック(MSCIB)について紹介する。 MSCIBは、異なる視点における情報ボトルネックの学習プロセスを改善するために、セマンティック一貫性を追求する。 セマンティック空間における複数のビューのアライメント操作を行い、多視点データの貴重な一貫した情報を共同で達成する。
  論文  参考訳（メタデータ） (2023-02-28T02:01:58Z)
• 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)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• 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)
• Deep Embedded Multi-view Clustering with Collaborative Training [42.289184796907655]
  マルチビュークラスタリングは、近年、複数のビューからの情報を活用することで注目を集めている。 既存のマルチビュークラスタリング手法は高い計算量と空間の複雑さを持つか、表現能力の欠如がある。 本稿では,協調学習(DEMVC)を用いたディープエンベッド型マルチビュークラスタリングを提案する。
  論文  参考訳（メタデータ） (2020-07-26T06:51:57Z)
• Joint Featurewise Weighting and Lobal Structure Learning for Multi-view Subspace Clustering [3.093890460224435]
  マルチビュークラスタリングは複数の機能セットを統合し、データの異なる側面を明らかにし、相互に補完情報を提供する。 既存のマルチビュークラスタリング手法の多くは、各ビューの局所構造を無視しながら、すべてのビューの一貫性を探求することのみを目的としている。 本稿では、異なる特徴に対する重みを同時に割り当て、ビュー固有の自己表現特徴空間におけるデータの局所的情報を取得することで、新しいマルチビューサブスペースクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-25T01:57:57Z)

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。