論文の概要: Multi-view MERA Subspace Clustering

• arxiv url: http://arxiv.org/abs/2305.09095v1
• Date: Tue, 16 May 2023 01:41:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 16:44:40.913676
• Title: Multi-view MERA Subspace Clustering
• Title（参考訳）: マルチビューmeraサブスペースクラスタリング
• Authors: Zhen Long, Ce Zhu, Jie Chen, Zihan Li, Yazhou Ren, Yipeng Liu
• Abstract要約: マルチビューサブスペースクラスタリング(MSC)は自己表現テンソルにおける高次相関を捉えることができる。 本稿では,MERAをベースとした低ランクMSCアルゴリズムを提案し,MERAはテンソルを1つのトップコアファクタと残りの直交/半直交因子の収縮に分解する。 我々は、アンカー学習を取り入れたMERA-MSCを拡張し、スケーラブルな低ランクMERAベースのマルチビュークラスタリング法(sMREA-MVC)を開発した。
• 参考スコア（独自算出の注目度）: 42.33688860165733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tensor-based multi-view subspace clustering (MSC) can capture high-order correlation in the self-representation tensor. Current tensor decompositions for MSC suffer from highly unbalanced unfolding matrices or rotation sensitivity, failing to fully explore inter/intra-view information. Using the advanced tensor network, namely, multi-scale entanglement renormalization ansatz (MERA), we propose a low-rank MERA based MSC (MERA-MSC) algorithm, where MERA factorizes a tensor into contractions of one top core factor and the rest orthogonal/semi-orthogonal factors. Benefiting from multiple interactions among orthogonal/semi-orthogonal (low-rank) factors, the low-rank MERA has a strong representation power to capture the complex inter/intra-view information in the self-representation tensor. The alternating direction method of multipliers is adopted to solve the optimization model. Experimental results on five multi-view datasets demonstrate MERA-MSC has superiority against the compared algorithms on six evaluation metrics. Furthermore, we extend MERA-MSC by incorporating anchor learning to develop a scalable low-rank MERA based multi-view clustering method (sMREA-MVC). The effectiveness and efficiency of sMERA-MVC have been validated on three large-scale multi-view datasets. To our knowledge, this is the first work to introduce MERA to the multi-view clustering topic. The codes of MERA-MSC and sMERA-MVC are publicly available at https://github.com/longzhen520/MERA-MSC.
• Abstract（参考訳）: テンソルベースマルチビューサブスペースクラスタリング(MSC)は自己表現テンソルの高次相関を捉えることができる。 MSCの現在のテンソル分解は、高度に不均衡な展開行列や回転感度に悩まされ、ビュー内/イントラ情報を完全に探索することができない。 先進テンソルネットワーク,すなわち,マルチスケールエンタングルメント再正規化アンサッツ(MERA)を用いて,MERAがテンソルを1つのトップコアファクタと残りの直交/半直交要素の収縮に分解する低ランクMERAベースMSC(MERA-MSC)アルゴリズムを提案する。 直交/半直交(低ランク)因子間の多重相互作用から恩恵を受けると、低ランクの MERA は自己表現テンソル内の複素/イントラビュー情報を取得する強力な表現力を持つ。 最適化モデルを解くために、乗算器の交互方向法を採用する。 5つのマルチビューデータセットの実験結果から,mera-mscは6つの評価指標で比較したアルゴリズムに対して優れていることが示された。 さらに, アンカー学習を取り入れたMERA-MSCを拡張し, スケーラブルな低ランクMERAベースのマルチビュークラスタリング手法(sMREA-MVC)を開発した。 sMERA-MVCの有効性と効率を3つの大規模マルチビューデータセットで検証した。 私たちの知る限り、マルチビュークラスタリングのトピックにmeraを導入するのは、これが初めてです。 MERA-MSCとsMERA-MVCのコードはhttps://github.com/longzhen520/MERA-MSCで公開されている。

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 and Effective Deep Multi-view Subspace Clustering [9.6753782215283]
  E$2$MVSC(Efficient and Effective Deep Multi-View Subspace Clustering)と呼ばれる新しいディープフレームワークを提案する。 パラメータ化されたFC層の代わりに、より計算効率のよいサンプル数からネットワークパラメータスケールを分離するRelation-Metric Netを設計する。 E$2$MVSCは既存のメソッドに匹敵する結果を出し、様々なタイプのマルチビューデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-15T03:08:25Z)
• 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)
• 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)
• 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)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• 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)
• 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。