論文の概要: DICNet: Deep Instance-Level Contrastive Network for Double Incomplete
Multi-View Multi-Label Classification
- arxiv url: http://arxiv.org/abs/2303.08358v1
- Date: Wed, 15 Mar 2023 04:24:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 14:45:36.537204
- Title: DICNet: Deep Instance-Level Contrastive Network for Double Incomplete
Multi-View Multi-Label Classification
- Title（参考訳）: DICNet:Double Uncomplete Multi-View Multi-Label 分類のためのディープインスタンスレベルコントラストネットワーク
- Authors: Chengliang Liu, Jie Wen, Xiaoling Luo, Chao Huang, Zhihao Wu, Yong Xu
- Abstract要約: 実世界におけるマルチビューマルチラベルデータは、データ収集や手動アノテーションの不確実性のため、一般的に不完全である。
本稿では,DICNetという深層インスタンスレベルのコントラストネットワークを提案し,二重不完全なマルチラベル分類問題に対処する。
我々のDICNetは、マルチビュー多ラベルデータの一貫した識別的表現を捉え、欠落したビューと欠落したラベルの負の影響を避けることに長けている。
- 参考スコア（独自算出の注目度）: 20.892833511657166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, multi-view multi-label learning has aroused extensive
research enthusiasm. However, multi-view multi-label data in the real world is
commonly incomplete due to the uncertain factors of data collection and manual
annotation, which means that not only multi-view features are often missing,
and label completeness is also difficult to be satisfied. To deal with the
double incomplete multi-view multi-label classification problem, we propose a
deep instance-level contrastive network, namely DICNet. Different from
conventional methods, our DICNet focuses on leveraging deep neural network to
exploit the high-level semantic representations of samples rather than
shallow-level features. First, we utilize the stacked autoencoders to build an
end-to-end multi-view feature extraction framework to learn the view-specific
representations of samples. Furthermore, in order to improve the consensus
representation ability, we introduce an incomplete instance-level contrastive
learning scheme to guide the encoders to better extract the consensus
information of multiple views and use a multi-view weighted fusion module to
enhance the discrimination of semantic features. Overall, our DICNet is adept
in capturing consistent discriminative representations of multi-view
multi-label data and avoiding the negative effects of missing views and missing
labels. Extensive experiments performed on five datasets validate that our
method outperforms other state-of-the-art methods.
- Abstract（参考訳）: 近年,多視点マルチラベル学習が広範な研究熱意を喚起している。
しかし,データ収集や手動アノテーションの不確実性のため,実世界のマルチビュー・マルチラベル・データは一般的に不完全であり,多ビューの特徴が欠落しているだけでなく,ラベルの完全性も満足できない。
二重不完全多視点マルチラベル分類問題に対処するため,DICNetという深層インスタンスレベルのコントラストネットワークを提案する。
従来の手法とは異なり、DICNetは深層ニューラルネットワークを活用して、浅いレベルの特徴ではなく、サンプルの高レベルなセマンティック表現を活用することに重点を置いています。
まず、重ねられたオートエンコーダを用いて、エンドツーエンドのマルチビュー特徴抽出フレームワークを構築し、サンプルのビュー固有表現を学習する。
さらに,コンセンサス表現能力を向上させるために,複数のビューのコンセンサス情報をよりよく抽出し,マルチビュー重み付き融合モジュールを用いて意味的特徴の識別性を高めるために,エンコーダを誘導する不完全なインスタンスレベルのコントラスト学習方式を導入する。
全体として、DICNetは多視点多ラベルデータの一貫した識別的表現を捉え、欠落したビューや欠落したラベルの負の影響を避けることに長けている。
5つのデータセットで広範な実験を行い、この手法が最先端の他の手法よりも優れていることを検証した。
関連論文リスト
- Task-Augmented Cross-View Imputation Network for Partial Multi-View Incomplete Multi-Label Classification [25.764838008710615]
本稿では,タスク拡張型クロスビュー計算ネットワーク(TACVI-Net)を提案する。
第一段階では、情報ボトルネック理論を利用して各視点の識別的表現を得る。
第2段階では、オートエンコーダに基づくマルチビュー再構成ネットワークを使用して、ハイレベルなセマンティック表現を抽出する。
論文 参考訳（メタデータ） (2024-09-12T10:56:11Z) - CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳（メタデータ） (2024-03-28T15:45:03Z) - Incomplete Contrastive Multi-View Clustering with High-Confidence
Guiding [7.305817202715752]
高信頼誘導(ICMVC)を用いた非完全コントラストマルチビュークラスタリング手法を提案する。
まず、欠落した値問題に対処するために、マルチビュー整合関係転送とグラフ畳み込みネットワークを提案する。
第2に、補完情報を活用するために、インスタンスレベルの注意融合と高信頼誘導を提案する。
論文 参考訳（メタデータ） (2023-12-14T07:28:41Z) - Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。
本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-29T03:35:34Z) - Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。
既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。
我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文 参考訳（メタデータ） (2023-03-30T03:09:25Z) - Incomplete Multi-View Multi-Label Learning via Label-Guided Masked View-
and Category-Aware Transformers [19.720564730308993]
本稿では,ラベル誘導型マスマスキングとカテゴリ認識型トランスフォーマという,多視点多言語学習フレームワークを提案する。
ビュー間の表現力の不均衡を考慮すると、ビュー一貫性の埋め込み特徴を得るために適応的に重み付けされたビュー融合モジュールが提案される。
論文 参考訳（メタデータ） (2023-03-13T15:22:50Z) - Cross-view Graph Contrastive Representation Learning on Partially
Aligned Multi-view Data [52.491074276133325]
マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。
本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。
複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
論文 参考訳（メタデータ） (2022-11-08T09:19:32Z) - Latent Heterogeneous Graph Network for Incomplete Multi-View Learning [57.49776938934186]
非完全多視点学習のための新しい遅延不均質グラフネットワーク(LHGN)を提案する。
統一された潜在表現を学習することにより、異なる視点間の一貫性と相補性の間のトレードオフが暗黙的に実現される。
学習とテストフェーズの不整合を回避するため,分類タスクのグラフ学習に基づくトランスダクティブ学習手法を適用した。
論文 参考訳（メタデータ） (2022-08-29T15:14:21Z) - Deep Partial Multi-View Learning [94.39367390062831]
クロスパーシャル・マルチビュー・ネットワーク(CPM-Nets)と呼ばれる新しいフレームワークを提案する。
我々はまず、多視点表現に対する完全性と汎用性の形式的な定義を提供する。
そして、理論的に学習された潜在表現の多元性を証明する。
論文 参考訳（メタデータ） (2020-11-12T02:29:29Z) - Generative Partial Multi-View Clustering [133.36721417531734]
本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。
まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。
第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
論文 参考訳（メタデータ） (2020-03-29T17:48:27Z)
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。