論文の概要: Fast Continual Multi-View Clustering with Incomplete Views
- arxiv url: http://arxiv.org/abs/2306.02389v1
- Date: Sun, 4 Jun 2023 15:48:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 18:06:20.399985
- Title: Fast Continual Multi-View Clustering with Incomplete Views
- Title（参考訳）: 不完全ビューを用いた高速連続マルチビュークラスタリング
- Authors: Xinhang Wan, Bin Xiao, Xinwang Liu, Jiyuan Liu, Weixuan Liang, En Zhu
- Abstract要約: 本稿では,不完全連続データ問題(ICDP)と呼ばれるMVCの課題に焦点を当てる。
既存のアルゴリズムの多くは、ビューが事前に利用可能であると仮定し、ビューのデータ観測が時間とともに蓄積されるシナリオを見落としている。
Incomplete Views (FCMVC-IV) を用いたFast Continual Multi-View Clusteringを提案する。
- 参考スコア（独自算出の注目度）: 44.94941453023393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-view clustering (MVC) has gained broad attention owing to its capacity
to exploit consistent and complementary information across views. This paper
focuses on a challenging issue in MVC called the incomplete continual data
problem (ICDP). In specific, most existing algorithms assume that views are
available in advance and overlook the scenarios where data observations of
views are accumulated over time. Due to privacy considerations or memory
limitations, previous views cannot be stored in these situations. Some works
are proposed to handle it, but all fail to address incomplete views. Such an
incomplete continual data problem (ICDP) in MVC is tough to solve since
incomplete information with continual data increases the difficulty of
extracting consistent and complementary knowledge among views. We propose Fast
Continual Multi-View Clustering with Incomplete Views (FCMVC-IV) to address it.
Specifically, it maintains a consensus coefficient matrix and updates knowledge
with the incoming incomplete view rather than storing and recomputing all the
data matrices. Considering that the views are incomplete, the newly collected
view might contain samples that have yet to appear; two indicator matrices and
a rotation matrix are developed to match matrices with different dimensions.
Besides, we design a three-step iterative algorithm to solve the resultant
problem in linear complexity with proven convergence. Comprehensive experiments
on various datasets show the superiority of FCMVC-IV.
- Abstract（参考訳）: マルチビュークラスタリング(MVC)は、ビューをまたいだ一貫性のある補完的な情報を利用する能力のため、広く注目を集めている。
本稿では,不完全連続データ問題(ICDP)と呼ばれるMVCの課題に焦点を当てる。
特に、既存のアルゴリズムでは、ビューが事前に利用可能であると仮定し、ビューのデータ観測が時間とともに蓄積されるシナリオを見落としている。
プライバシの考慮やメモリ制限のため、これらの状況では以前のビューは保存できない。
対処するためにいくつかの作品が提案されているが、すべて不完全なビューに対処できない。
MVCにおけるこのような不完全連続データ問題(ICDP)は、連続データを含む不完全情報が、ビュー間の一貫性と相補的な知識を抽出することの難しさを増すため、解決が難しい。
Incomplete Views (FCMVC-IV) を用いたFast Continual Multi-View Clusteringを提案する。
具体的には、コンセンサス係数行列を維持し、すべてのデータ行列を格納し、再計算するのではなく、入ってくる不完全なビューで知識を更新する。
ビューが不完全であることを考えると、新たに収集されたビューは、まだ現れていないサンプルを含んでおり、2つの指標行列と回転行列が、異なる次元の行列にマッチするように開発されている。
さらに, 3段階反復アルゴリズムを設計し, 線形複雑性の問題を解き, 収束を証明した。
様々なデータセットに関する総合的な実験は、FCMVC-IVの優位性を示している。
関連論文リスト
- Hierarchical Mutual Information Analysis: Towards Multi-view Clustering
in The Wild [9.380271109354474]
この研究は、データリカバリとアライメントを階層的に一貫した方法で融合し、異なるビュー間の相互情報を最大化するディープMVCフレームワークを提案する。
私たちの知る限りでは、これは欠落したデータ問題と不整合データ問題に異なる学習パラダイムで別々に対処する最初の試みになるかもしれません。
論文 参考訳（メタデータ） (2023-10-28T06:43:57Z) - Contrastive Continual Multi-view Clustering with Filtered Structural
Fusion [57.193645780552565]
ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。
データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。
いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。
フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
論文 参考訳（メタデータ） (2023-09-26T14:18:29Z) - 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) - Unpaired Multi-View Graph Clustering with Cross-View Structure Matching [39.310384044597065]
既存のMVCメソッドの多くは、マルチビューデータが完全にペアリングされていると仮定している。
データ通信は、データ破損やセンサーの違いにより、現実世界のアプリケーションでは不完全であることが多い。
本稿では,クロスビュー構造マッチングを用いたパラメータフリーグラフクラスタリングフレームワークUnpaired Multi-view Graph Clusteringフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-07T09:29:44Z) - 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) - V3H: View Variation and View Heredity for Incomplete Multi-view
Clustering [65.29597317608844]
不完全なマルチビュークラスタリングは、これらの不完全なビューを統合する効果的な方法である。
本稿では,この制限を克服するために,新しいビューバージョニング・ビュー・ジェレダリティ・アプローチ(V3H)を提案する。
V3Hは、不完全なマルチビューデータから一貫した情報とユニークな情報を同時に学習するためのクラスタリングアルゴリズムに遺伝学を導入する最初の研究である可能性がある。
論文 参考訳（メタデータ） (2020-11-23T03:24:48Z) - 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。