論文の概要: Adaptively Topological Tensor Network for Multi-view Subspace Clustering

• arxiv url: http://arxiv.org/abs/2305.00716v1
• Date: Mon, 1 May 2023 08:28:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 13:42:55.660941
• Title: Adaptively Topological Tensor Network for Multi-view Subspace Clustering
• Title（参考訳）: 多視点部分空間クラスタリングのための適応トポロジカルテンソルネットワーク
• Authors: Yipeng Liu, Yingcong Lu, Weiting Ou, Zhen Long, Ce Zhu
• Abstract要約: マルチビューサブスペースクラスタリングでは、学習した自己表現テンソルを使用して低ランク情報を利用する。 予め定義されたテンソル分解は、あるデータセットの低ランク情報を完全に活用できない。 自己表現テンソルの構造情報からエッジランクを決定することで適応的トポロジカルテンソルネットワーク(ATTN)を提案する。
• 参考スコア（独自算出の注目度）: 36.790637575875635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view subspace clustering methods have employed learned self-representation tensors from different tensor decompositions to exploit low rank information. However, the data structures embedded with self-representation tensors may vary in different multi-view datasets. Therefore, a pre-defined tensor decomposition may not fully exploit low rank information for a certain dataset, resulting in sub-optimal multi-view clustering performance. To alleviate the aforementioned limitations, we propose the adaptively topological tensor network (ATTN) by determining the edge ranks from the structural information of the self-representation tensor, and it can give a better tensor representation with the data-driven strategy. Specifically, in multi-view tensor clustering, we analyze the higher-order correlations among different modes of a self-representation tensor, and prune the links of the weakly correlated ones from a fully connected tensor network. Therefore, the newly obtained tensor networks can efficiently explore the essential clustering information with self-representation with different tensor structures for various datasets. A greedy adaptive rank-increasing strategy is further applied to improve the capture capacity of low rank structure. We apply ATTN on multi-view subspace clustering and utilize the alternating direction method of multipliers to solve it. Experimental results show that multi-view subspace clustering based on ATTN outperforms the counterparts on six multi-view datasets.
• Abstract（参考訳）: マルチビューサブスペースクラスタリング法では、異なるテンソル分解から学習した自己表現テンソルを用いて低ランク情報を利用している。 しかし、自己表現テンソルに埋め込まれたデータ構造は、異なるマルチビューデータセットで異なる可能性がある。 したがって、予め定義されたテンソル分解は、あるデータセットの低ランク情報を完全に活用することができず、その結果、準最適マルチビュークラスタリング性能が得られる。 上記の制限を緩和するために、自己表現テンソルの構造情報からエッジランクを決定することで適応的トポロジカルテンソルネットワーク(ATTN)を提案し、データ駆動型戦略でより良いテンソル表現を与えることができる。 具体的には,多視点テンソルクラスタリングにおいて,自己表現テンソルの異なるモード間の高次相関を解析し,完全連結テンソルネットワークから弱相関の相関関係を推定する。 したがって、新たに得られたテンソルネットワークは、様々なデータセットのテンソル構造が異なる自己表現を用いて、本質的なクラスタリング情報を効率的に探索することができる。 さらに、低階構造体の捕捉能力を向上させるために、グレディ適応階数増加戦略を適用した。 マルチビューサブスペースクラスタリングにATTNを適用し、乗算器の交互方向法を用いて解決する。 実験結果から,ATTNに基づくマルチビューサブスペースクラスタリングは,6つのマルチビューデータセットよりも優れていた。

関連論文リスト

• Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
  アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。 複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
  論文  参考訳（メタデータ） (2024-04-01T03:23:55Z)
• Probing clustering in neural network representations [30.640266399583613]
  ニューラルネットワークトレーニングにおける多くの設計選択が、隠れた表現で形成されたクラスタにどのように影響するかを検討する。 トレーニングデータセットとアーキテクチャを、クラスタビリティに影響を及ぼす重要な要因として分離します。 正規化戦略はどの層が最高のクラスタリング性能をもたらすかに影響します。
  論文  参考訳（メタデータ） (2023-11-14T02:33:54Z)
• Hyper-Laplacian Regularized Concept Factorization in Low-rank Tensor Space for Multi-view Clustering [0.0]
  マルチビュークラスタリングのための低ランクテンソル空間における超ラプラシア正規化概念分解(HLRCF)を提案する。 具体的には、各ビューの潜在クラスタ単位の表現を探索するために、概念因子化を採用します。 異なるテンソル特異値が構造情報と不等値とを関連付けることを考慮し、自己重み付きテンソルSchatten p-ノルムを開発する。
  論文  参考訳（メタデータ） (2023-04-22T15:46:58Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Tucker-O-Minus Decomposition for Multi-view Tensor Subspace Clustering [36.790637575875635]
  マルチビュークラスタリングのための新しいテンソル分解法Tucker-O-Minus Decomposition (TOMD)を提案する。 6つのベンチマークデータセットの数値実験により,Fスコア,精度,リコール,正規化相互情報,調整されたランドインデックス,精度の観点から,提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2022-10-23T07:20:22Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Tensor-based Intrinsic Subspace Representation Learning for Multi-view Clustering [18.0093330816895]
  本稿では,マルチビュークラスタリングのための新規な固有部分空間表現(TISRL)を提案する。 異なる視点に含まれる特定の情報は、階級保存分解によって完全に調査されていることが分かる。 9つの一般的な実世界のマルチビューデータセットの実験結果は、TISRLの優位性を示している。
  論文  参考訳（メタデータ） (2020-10-19T03:36:18Z)

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。