論文の概要: Semi-supervised multi-view concept decomposition

• arxiv url: http://arxiv.org/abs/2307.00924v1
• Date: Mon, 3 Jul 2023 10:50:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 13:30:14.725577
• Title: Semi-supervised multi-view concept decomposition
• Title（参考訳）: 半教師付き多視点概念分解
• Authors: Qi Jiang, Guoxu Zhou and Qibin Zhao
• Abstract要約: 概念因子化(CF)は、マルチビュークラスタリングタスクにおいて優れた性能を示している。 そこで我々は,SMVCFという,新しい半教師付き多視点概念分解モデルを提案する。 SMVCFの性能を評価するために,4つの多様なデータセットの実験を行った。
• 参考スコア（独自算出の注目度）: 30.699496411869834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept Factorization (CF), as a novel paradigm of representation learning, has demonstrated superior performance in multi-view clustering tasks. It overcomes limitations such as the non-negativity constraint imposed by traditional matrix factorization methods and leverages kernel methods to learn latent representations that capture the underlying structure of the data, thereby improving data representation. However, existing multi-view concept factorization methods fail to consider the limited labeled information inherent in real-world multi-view data. This often leads to significant performance loss. To overcome these limitations, we propose a novel semi-supervised multi-view concept factorization model, named SMVCF. In the SMVCF model, we first extend the conventional single-view CF to a multi-view version, enabling more effective exploration of complementary information across multiple views. We then integrate multi-view CF, label propagation, and manifold learning into a unified framework to leverage and incorporate valuable information present in the data. Additionally, an adaptive weight vector is introduced to balance the importance of different views in the clustering process. We further develop targeted optimization methods specifically tailored for the SMVCF model. Finally, we conduct extensive experiments on four diverse datasets with varying label ratios to evaluate the performance of SMVCF. The experimental results demonstrate the effectiveness and superiority of our proposed approach in multi-view clustering tasks.
• Abstract（参考訳）: 表現学習の新しいパラダイムである概念因子化(CF)は、マルチビュークラスタリングタスクにおいて優れた性能を示している。 従来の行列分解法によって課される非ネガティビティ制約のような制限を克服し、カーネルメソッドを利用してデータの基底構造をキャプチャする潜在表現を学習し、データ表現を改善する。 しかし、既存のマルチビューの概念因子化手法では、実世界のマルチビューデータに固有の限定ラベル付き情報を考慮できない。 これはしばしば大きなパフォーマンス損失をもたらす。 これらの制約を克服するために,SMVCF と呼ばれる新しい半教師付き多視点概念分解モデルを提案する。 SMVCFモデルでは、従来の単一ビューCFをマルチビューバージョンに拡張し、複数のビューにまたがる補完情報のより効率的な探索を可能にする。 次に,マルチビューcf,ラベル伝搬,多様体学習を統一したフレームワークに統合し,データに存在する貴重な情報を活用し,活用する。 さらに、クラスタリングプロセスにおける異なるビューの重要性のバランスをとるために、適応重みベクトルが導入された。 さらに,SMVCFモデルに適した最適化手法を開発した。 最後に,SMVCFの性能を評価するために,ラベル比の異なる4種類のデータセットについて広範な実験を行った。 実験により,マルチビュークラスタリングタスクにおける提案手法の有効性と優位性を示した。

関連論文リスト

• Balanced Multi-view Clustering [56.17836963920012]
  マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。 MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。 本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:42:47Z)
• An Adaptive Framework for Multi-View Clustering Leveraging Conditional Entropy Optimization [0.0]
  マルチビュークラスタリング(MVC)は、データから貴重な洞察を抽出する強力な手法として登場した。 既存のMVCメソッドは、ビュー間の一貫性と補完性を効果的に定量化するのに苦労しています。 本稿では,適応重み付けアルゴリズムとパラメータ分離深度モデルを統合する新しいフレームワークCE-MVCを提案する。
  論文  参考訳（メタデータ） (2024-12-23T15:21:55Z)
• 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)
• TCGF: A unified tensorized consensus graph framework for multi-view representation learning [27.23929515170454]
  本稿では,Consensus Graph Framework (TCGF) という汎用多視点表現学習フレームワークを提案する。 まず、個々のビューの表現を利用するために、既存のマルチビューワークに統一されたフレームワークを提供する。 そして、それらを高次表現としてアライメント基本の下でテンソルに積み上げ、一貫性の滑らかな伝播を可能にする。
  論文  参考訳（メタデータ） (2023-09-14T19:29:14Z)
• Multi-View Class Incremental Learning [57.14644913531313]
  マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。 本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
  論文  参考訳（メタデータ） (2023-06-16T08:13:41Z)
• One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
  本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。 そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T02:52:24Z)
• 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)
• 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)
• Federated Multi-view Matrix Factorization for Personalized Recommendations [53.74747022749739]
  本稿では,フェデレートされた学習フレームワークを,複数のデータソースを用いた行列分解に拡張する,フェデレートされたマルチビュー行列分解手法を提案する。 本手法では,ユーザの個人情報を中央サーバに転送することなく,マルチビューモデルを学習することができる。
  論文  参考訳（メタデータ） (2020-04-08T21:07:50Z)
• 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。