論文の概要: Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and
Prototype Alignment
- arxiv url: http://arxiv.org/abs/2303.15689v1
- Date: Tue, 28 Mar 2023 02:31:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 16:40:02.763354
- Title: Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and
Prototype Alignment
- Title（参考訳）: クロスビュー部分サンプルとプロトタイプアライメントを用いたディープ不完全マルチビュークラスタリング
- Authors: Jiaqi Jin, Siwei Wang, Zhibin Dong, Xinwang Liu, En Zhu
- Abstract要約: 深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。
従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
- 参考スコア（独自算出の注目度）: 50.82982601256481
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of existing multi-view clustering relies on the assumption of
sample integrity across multiple views. However, in real-world scenarios,
samples of multi-view are partially available due to data corruption or sensor
failure, which leads to incomplete multi-view clustering study (IMVC). Although
several attempts have been proposed to address IMVC, they suffer from the
following drawbacks: i) Existing methods mainly adopt cross-view contrastive
learning forcing the representations of each sample across views to be exactly
the same, which might ignore view discrepancy and flexibility in
representations; ii) Due to the absence of non-observed samples across multiple
views, the obtained prototypes of clusters might be unaligned and biased,
leading to incorrect fusion. To address the above issues, we propose a
Cross-view Partial Sample and Prototype Alignment Network (CPSPAN) for Deep
Incomplete Multi-view Clustering. Firstly, unlike existing contrastive-based
methods, we adopt pair-observed data alignment as 'proxy supervised signals' to
guide instance-to-instance correspondence construction among views. Then,
regarding of the shifted prototypes in IMVC, we further propose a prototype
alignment module to achieve incomplete distribution calibration across views.
Extensive experimental results showcase the effectiveness of our proposed
modules, attaining noteworthy performance improvements when compared to
existing IMVC competitors on benchmark datasets.
- Abstract（参考訳）: 既存のマルチビュークラスタリングの成功は、複数のビューにわたるサンプル整合性の仮定に依存する。
しかし、実世界のシナリオでは、データの破損やセンサーの故障によってマルチビューのサンプルが部分的に利用可能であり、不完全なマルチビュークラスタリング研究(IMVC)につながる。
IMVCに対処する試みはいくつか提案されているが、以下の欠点に悩まされている。
一 既存の方法は、主に、各サンプルの表示を全く同じように強制する対面的学習を採用しており、表示の相違や柔軟性を無視することができる。
二 複数のビューにわたって観測されていないサンプルがないため、得られたクラスターのプロトタイプは、不整合で偏りがあり、誤った融合につながる可能性がある。
上記の問題に対処するため,我々は,ディープ不完全マルチビュークラスタリングのためのクロスビュー部分サンプルおよびプロトタイプアライメントネットワーク(cpspan)を提案する。
まず,既存のコントラストベース手法とは異なり,ペアオブザーバデータアライメントを「プロキシ教師信号」として採用し,ビュー間のインスタンス間対応構成をガイドする。
次に,imvcにおけるシフトプロトタイプについて,ビュー間の不完全分布校正を実現するためのプロトタイプアライメントモジュールを提案する。
大規模な実験結果から提案モジュールの有効性が明らかとなり,既存のIMVCのベンチマークデータセットと比較すると,注目すべき性能向上が得られた。
関連論文リスト
- Unpaired Multi-view Clustering via Reliable View Guidance [7.441454668534061]
本稿では、複数のビューでペアリングされたサンプルが利用できないという問題であるUMC(unpaired multi-view clustering)に焦点を当てる。
本稿では,信頼度の高い1つのビュー (RG-UMC) と複数の信頼度の高いビュー (RGs-UMC) を UMC に対して提案する。
RG-UMCとRGs-UMCは、それぞれ24.14%と29.42%のNMIで最高の最先端の手法を上回っている。
論文 参考訳（メタデータ） (2024-04-27T13:03:57Z) - 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) - Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
本稿では,新しいアンカーグラフ学習フレームワークを提案する。
ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。
提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
論文 参考訳（メタデータ） (2023-08-31T08:30:26Z) - DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。
まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。
トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
論文 参考訳（メタデータ） (2023-08-17T14:14:28Z) - GCFAgg: Global and Cross-view Feature Aggregation for Multi-view
Clustering [45.530950521907265]
マルチビュークラスタリングは、教師なしの方法でコンセンサス表現を学習することで、データサンプルをカテゴリに分割することができる。
GggMVC(Global and Cross-view Feature aggregate for Multi-View Clustering)と呼ばれる新しいマルチビュークラスタリングネットワークを提案する。
提案手法は,完全多視点データクラスタリングタスクと不完全多視点データクラスタリングタスクの両方において,優れた性能を実現する。
論文 参考訳（メタデータ） (2023-05-11T13:41:13Z) - Incomplete Multi-view Clustering via Prototype-based Imputation [20.860970049581848]
不完全なマルチビュークラスタリング(IMvC)による2つの特徴の発見方法について検討する。
我々は、ビュー固有のプロトタイプを学習するために、デュアルアテンション層とデュアルコントラスト学習損失を利用する新しいデュアルストリームモデルを設計する。
ビューが欠落した場合,本モデルでは,欠落したビューのプロトタイプと,観察されたビューから受け継いだサンプル-プロトタイプ関係を用いてデータリカバリを行う。
論文 参考訳（メタデータ） (2023-01-26T11:37:53Z) - Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
本稿では,最適コンセンサスを近似する凝集分析法を提案する。
本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。
4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
論文 参考訳（メタデータ） (2020-05-12T05:39:10Z) - 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。