論文の概要: Deep Multi-View Subspace Clustering with Anchor Graph

• arxiv url: http://arxiv.org/abs/2305.06939v1
• Date: Thu, 11 May 2023 16:17:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 14:05:19.238477
• Title: Deep Multi-View Subspace Clustering with Anchor Graph
• Title（参考訳）: anchor graphを用いたディープマルチビューサブスペースクラスタリング
• Authors: Chenhang Cui, Yazhou Ren, Jingyu Pu, Xiaorong Pu, Lifang He
• Abstract要約: アンカーグラフ(DMCAG)を用いた深層多視点サブスペースクラスタリング手法を提案する。 DMCAGは各ビューの埋め込み機能を独立して学習し、サブスペース表現を得るために使用される。 本手法は他の最先端手法よりも優れたクラスタリング性能を実現する。
• 参考スコア（独自算出の注目度）: 11.291831842959926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep multi-view subspace clustering (DMVSC) has recently attracted increasing attention due to its promising performance. However, existing DMVSC methods still have two issues: (1) they mainly focus on using autoencoders to nonlinearly embed the data, while the embedding may be suboptimal for clustering because the clustering objective is rarely considered in autoencoders, and (2) existing methods typically have a quadratic or even cubic complexity, which makes it challenging to deal with large-scale data. To address these issues, in this paper we propose a novel deep multi-view subspace clustering method with anchor graph (DMCAG). To be specific, DMCAG firstly learns the embedded features for each view independently, which are used to obtain the subspace representations. To significantly reduce the complexity, we construct an anchor graph with small size for each view. Then, spectral clustering is performed on an integrated anchor graph to obtain pseudo-labels. To overcome the negative impact caused by suboptimal embedded features, we use pseudo-labels to refine the embedding process to make it more suitable for the clustering task. Pseudo-labels and embedded features are updated alternately. Furthermore, we design a strategy to keep the consistency of the labels based on contrastive learning to enhance the clustering performance. Empirical studies on real-world datasets show that our method achieves superior clustering performance over other state-of-the-art methods.
• Abstract（参考訳）: 深層マルチビューサブスペースクラスタリング(DMVSC)は、その有望な性能のために最近注目を集めている。 しかし,既存のdmvsc手法では,(1)自動エンコーダを使用してデータを非線形に埋め込むことに重点を置いているのに対して,(2)クラスタリングの目的がオートエンコーダではあまり考慮されていないこと,(2)既存の手法では二次的あるいは立方的な複雑性があるため,大規模データを扱うのが難しいこと,の2つの課題が残っている。 そこで本稿では,アンカーグラフ(DMCAG)を用いた深層多視点サブスペースクラスタリング手法を提案する。 具体的に言うと、DMCAGはまず各ビューの埋め込み機能を独立に学習し、サブスペース表現を得るのに使用される。 複雑さを著しく減らすため、各ビューに対して小さいサイズでアンカーグラフを構築する。 そして、統合アンカーグラフ上でスペクトルクラスタリングを行い、擬似ラベルを得る。 準最適埋め込み特徴による負の影響を克服するため、擬似ラベルを用いて埋め込みプロセスを洗練し、クラスタリングタスクに適合させる。 擬似ラベルと埋め込み機能は交互に更新される。 さらに,クラスタリング性能を向上させるために,コントラスト学習に基づくラベルの一貫性を維持する戦略を設計する。 実世界のデータセットに関する実証研究は,本手法が他の最先端手法よりも優れたクラスタリング性能を実現することを示す。

関連論文リスト

• S^2MVTC: a Simple yet Efficient Scalable Multi-View Tensor Clustering [38.35594663863098]
  6つの大規模マルチビューデータセットの実験結果から、S2MVTCはクラスタリング性能とCPU実行時間において、最先端のアルゴリズムを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-14T05:00:29Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• 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)
• Dual Information Enhanced Multi-view Attributed Graph Clustering [11.624319530337038]
  本稿では,Dual Information enhanced Multi-view Attributed Graph Clustering (DIAGC)法を提案する。 提案手法では,複数の視点からのコンセンサスと特定情報の探索を阻害する特定情報再構成(SIR)モジュールを提案する。 相互情報最大化(MIM)モジュールは、潜在高レベル表現と低レベル表現との合意を最大化し、高レベル表現が所望のクラスタリング構造を満たすことを可能にする。
  論文  参考訳（メタデータ） (2022-11-28T01:18:04Z)
• 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)
• 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)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Smoothed Multi-View Subspace Clustering [14.77544837600836]
  本研究では,スムーズなマルチビューサブスペースクラスタリング(SMVSC)という新しいマルチビュークラスタリング手法を提案する。 グラフフィルタリングという新しい手法を用いて、各ビューのスムーズな表現を得る。 ベンチマークデータセットの実験は、我々のアプローチの優位性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T02:24:19Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。