論文の概要: Scalable Incomplete Multi-View Clustering with Structure Alignment
- arxiv url: http://arxiv.org/abs/2308.16541v1
- Date: Thu, 31 Aug 2023 08:30:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-01 15:13:43.448498
- Title: Scalable Incomplete Multi-View Clustering with Structure Alignment
- Title（参考訳）: 構造アライメントを用いたスケーラブル不完全マルチビュークラスタリング
- Authors: Yi Wen, Siwei Wang, Ke Liang, Weixuan Liang, Xinhang Wan, Xinwang Liu,
Suyuan Liu, Jiyuan Liu, En Zhu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 71.62781659121092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The success of existing multi-view clustering (MVC) relies on the assumption
that all views are complete. However, samples are usually partially available
due to data corruption or sensor malfunction, which raises the research of
incomplete multi-view clustering (IMVC). Although several anchor-based IMVC
methods have been proposed to process the large-scale incomplete data, they
still suffer from the following drawbacks: i) Most existing approaches neglect
the inter-view discrepancy and enforce cross-view representation to be
consistent, which would corrupt the representation capability of the model; ii)
Due to the samples disparity between different views, the learned anchor might
be misaligned, which we referred as the Anchor-Unaligned Problem for Incomplete
data (AUP-ID). Such the AUP-ID would cause inaccurate graph fusion and degrades
clustering performance. To tackle these issues, we propose a novel incomplete
anchor graph learning framework termed Scalable Incomplete Multi-View
Clustering with Structure Alignment (SIMVC-SA). Specially, we construct the
view-specific anchor graph to capture the complementary information from
different views. In order to solve the AUP-ID, we propose a novel structure
alignment module to refine the cross-view anchor correspondence. Meanwhile, the
anchor graph construction and alignment are jointly optimized in our unified
framework to enhance clustering quality. Through anchor graph construction
instead of full graphs, the time and space complexity of the proposed SIMVC-SA
is proven to be linearly correlated with the number of samples. Extensive
experiments on seven incomplete benchmark datasets demonstrate the
effectiveness and efficiency of our proposed method. Our code is publicly
available at https://github.com/wy1019/SIMVC-SA.
- Abstract（参考訳）: 既存のマルチビュークラスタリング(MVC)の成功は、すべてのビューが完成したという仮定に依存している。
しかし、サンプルは通常、データの破損やセンサーの故障によって部分的に利用でき、不完全なマルチビュークラスタリング(IMVC)の研究が進められる。
大規模な不完全データを処理するためにいくつかのアンカーベースIMVC法が提案されているが、それでも以下の欠点に悩まされている。
一 ほとんどの既存アプローチは、ビュー間の不一致を無視し、ビュー間の表現を一貫性を持たせ、モデルの表現能力を損なう。
二 異なる視点のサンプルの相違により、学習したアンカーが不完全データに対するアンカーアンペア問題(AUP-ID)と誤解される可能性がある。
このようなAUP-IDは不正確なグラフ融合を引き起こし、クラスタリング性能を低下させる。
そこで,本研究では,構造アライメントを用いたスケーラブル不完全マルチビュークラスタリング(simvc-sa)と呼ばれる新しいアンカーグラフ学習フレームワークを提案する。
具体的には、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。
aup-idを解決するために,クロスビューアンカー対応を洗練するための新しい構造アライメントモジュールを提案する。
一方、アンカーグラフの構築とアライメントは、クラスタリング品質を高めるために、統合フレームワークで共同で最適化されています。
フルグラフの代わりにアンカーグラフを構築することにより、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することが証明された。
7つの不完全なベンチマークデータセットに対する大規模な実験により,提案手法の有効性と有効性を示した。
私たちのコードはhttps://github.com/wy1019/simvc-saで公開されています。
関連論文リスト
- Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。
元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。
これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
論文 参考訳（メタデータ） (2024-09-25T13:11:17Z) - 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) - 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) - 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) - Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and
Prototype Alignment [50.82982601256481]
深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。
従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
論文 参考訳（メタデータ） (2023-03-28T02:31:57Z) - 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) - Localized Sparse Incomplete Multi-view Clustering [22.009806900278786]
本稿では,ローカライズされたスパース不完全なマルチビュークラスタリング(LSIMVC)という,シンプルだが効果的な手法を提案する。
このような問題に対処するために,ローカライズされたスパース不完全なマルチビュークラスタリング(LSIMVC)という,シンプルだが効果的な手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T05:48:28Z) - Align then Fusion: Generalized Large-scale Multi-view Clustering with
Anchor Matching Correspondences [53.09276639185084]
マルチビューアンカーグラフクラスタリングは、完全なペアワイド類似性を避けるために代表アンカーを選択する。
既存のアプローチでは、ビューをまたいだアンカーセット間の正しい対応を確立するのに十分な注意を払わない。
論文 参考訳（メタデータ） (2022-05-30T13:07:40Z)
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。