論文の概要: Incomplete Multi-view Clustering via Diffusion Completion
- arxiv url: http://arxiv.org/abs/2305.11489v1
- Date: Fri, 19 May 2023 07:39:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 15:45:10.232261
- Title: Incomplete Multi-view Clustering via Diffusion Completion
- Title（参考訳）: 拡散完了による不完全多視点クラスタリング
- Authors: Sifan Fang
- Abstract要約: 本稿では,不完全なマルチビュークラスタリングフレームワークに組み込まれている不完全なビューを復元する拡散補完法を提案する。
観測可能なビュー情報に基づいて、拡散モデルを用いて、行方不明のビューを復元する。
提案手法は,最先端の手法と比較して,クラスタリング性能が優れている一方で,欠落したビューの回復に有効である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Incomplete multi-view clustering is a challenging and non-trivial task to
provide effective data analysis for large amounts of unlabeled data in the real
world. All incomplete multi-view clustering methods need to address the problem
of how to reduce the impact of missing views. To address this issue, we propose
diffusion completion to recover the missing views integrated into an incomplete
multi-view clustering framework. Based on the observable views information, the
diffusion model is used to recover the missing views, and then the consistency
information of the multi-view data is learned by contrastive learning to
improve the performance of multi-view clustering. To the best of our knowledge,
this may be the first work to incorporate diffusion models into an incomplete
multi-view clustering framework. Experimental results show that the proposed
method performs well in recovering the missing views while achieving superior
clustering performance compared to state-of-the-art methods.
- Abstract（参考訳）: 不完全なマルチビュークラスタリングは、実世界の大量の未ラベルデータに対して効果的なデータ分析を提供するための、困難かつ非自明なタスクである。
不完全なマルチビュークラスタリング手法はすべて、ビューの欠如の影響を減らす方法の問題に対処する必要がある。
この問題に対処するために,不完全なマルチビュークラスタリングフレームワークに組み込まれた行方不明なビューを復元する拡散補完を提案する。
観測可能なビュー情報に基づいて、拡散モデルを用いて、欠落したビューを復元し、マルチビューデータの一貫性情報をコントラスト学習により学習し、マルチビュークラスタリングの性能を向上させる。
私たちの知る限りでは、拡散モデルを不完全なマルチビュークラスタリングフレームワークに組み込む最初の作業になるかもしれません。
提案手法は,最先端手法に比べて優れたクラスタリング性能を実現しつつ,行方不明のビューの復元に有効であることを示す。
関連論文リスト
- Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。
既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。
非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-14T19:16:01Z) - 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) - A Novel Approach for Effective Multi-View Clustering with
Information-Theoretic Perspective [24.630259061774836]
本研究では,多視点クラスタリングフレームワークを情報理論の観点から検討する,SUMVC(Sufficient Multi-View Clustering)と呼ばれる新しい手法を提案する。
まず,変分解析を用いて一貫した情報を生成する,シンプルで信頼性の高いマルチビュークラスタリング手法SCMVCを開発する。
次に、一貫した情報を強化し、ビュー間の不要な情報を最小限に抑えるのに十分な表現境界を提案する。
論文 参考訳（メタデータ） (2023-09-25T09:41:11Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Dual Representation Learning for One-Step Clustering of Multi-View Data [30.131568561100817]
異なるビューの共通情報と特定情報の二重表現を利用して,新しい一段階のマルチビュークラスタリング手法を提案する。
このフレームワークでは、表現学習とクラスタリングのパーティションが相互に恩恵を受け、クラスタリングのパフォーマンスが効果的に向上する。
論文 参考訳（メタデータ） (2022-08-30T14:20:26Z) - A Survey on Incomplete Multi-view Clustering [66.50475816827208]
病気の診断、マルチメディア分析、レコメンデーションシステムなどの実践的な応用では、サンプルのすべてのビューが利用できるわけではない。
不完全なマルチビュークラスタリングは、不完全なマルチビュークラスタリングと呼ばれる。
論文 参考訳（メタデータ） (2022-08-17T03:00:59Z) - Incomplete Multi-view Clustering via Cross-view Relation Transfer [41.17336912278538]
クロスビュー・リレーション・トランスファーとマルチビュー・フュージョン・ラーニングを組み合わせた,新しい不完全なマルチビュー・クラスタリング・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,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2021-12-01T14:28:15Z) - Error-Robust Multi-View Clustering: Progress, Challenges and
Opportunities [67.54503077766171]
ラベル情報は取得に費用がかかることが多いため、マルチビュークラスタリングが注目されている。
明示的なエラー除去定式化によるエラーロバストマルチビュークラスタリングアプローチは、5つの広範な研究カテゴリに構成できる。
この調査は、マルチビューデータに対するエラーロストクラスタリングの最近の進歩を要約し、レビューする。
論文 参考訳（メタデータ） (2021-05-07T04:03:02Z) - Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from
Cross View and Each View [68.88732535086338]
本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。
5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
論文 参考訳（メタデータ） (2020-08-23T08:25:06Z) - 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。