論文の概要: TCGF: A unified tensorized consensus graph framework for multi-view representation learning

• arxiv url: http://arxiv.org/abs/2309.09987v1
• Date: Thu, 14 Sep 2023 19:29:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-24 03:52:50.367296
• Title: TCGF: A unified tensorized consensus graph framework for multi-view representation learning
• Title（参考訳）: TCGF:多視点表現学習のための統合テンソル化コンセンサスグラフフレームワーク
• Authors: Xiangzhu Meng, Wei Wei, Qiang Liu, Shu Wu, Liang Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.23929515170454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view learning techniques have recently gained significant attention in the machine learning domain for their ability to leverage consistency and complementary information across multiple views. However, there remains a lack of sufficient research on generalized multi-view frameworks that unify existing works into a scalable and robust learning framework, as most current works focus on specific styles of multi-view models. Additionally, most multi-view learning works rely heavily on specific-scale scenarios and fail to effectively comprehend multiple scales holistically. These limitations hinder the effective fusion of essential information from multiple views, resulting in poor generalization. To address these limitations, this paper proposes a universal multi-view representation learning framework named Tensorized Consensus Graph Framework (TCGF). Specifically, it first provides a unified framework for existing multi-view works to exploit the representations for individual view, which aims to be suitable for arbitrary assumptions and different-scales datasets. Then, stacks them into a tensor under alignment basics as a high-order representation, allowing for the smooth propagation of consistency and complementary information across all views. Moreover, TCGF proposes learning a consensus embedding shared by adaptively collaborating all views to uncover the essential structure of the multi-view data, which utilizes view-consensus grouping effect to regularize the view-consensus representation. To further facilitate related research, we provide a specific implementation of TCGF for large-scale datasets, which can be efficiently solved by applying the alternating optimization strategy. Experimental results conducted on seven different-scales datasets indicate the superiority of the proposed TCGF against existing state-of-the-art multi-view learning methods.
• Abstract（参考訳）: マルチビュー学習技術は最近、複数のビューにまたがる一貫性と補完的な情報を活用する能力で、機械学習領域で大きな注目を集めています。 しかしながら、既存の作業をスケーラブルで堅牢な学習フレームワークに統合する、一般化されたマルチビューフレームワークに関する十分な研究がまだ残っていない。 さらに、多くのマルチビュー学習は、特定のスケールシナリオに重きを置き、段階的に複数のスケールを効果的に理解できない。 これらの制限は、複数の視点から本質的な情報を効果的に融合することを妨げる。 このような制約に対処するため,本研究ではTensorized 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。 具体的には、まず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し、個々のビューの表現を活用し、任意の仮定と異なるスケールのデータセットに適合することを目指している。 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重ねることで、一貫性の円滑な伝播とすべてのビューにわたる補完的情報を可能にする。 さらに,全ビューを適応的に協調して共有するコンセンサス埋め込みを学習し,ビュー・コンセンサス・グルーピング効果を利用してビュー・コンセンサス表現を規則化するマルチビューデータの本質的構造を明らかにする。 さらに、関連する研究をさらに促進するため、交流最適化戦略を適用することで効率的に解くことができる大規模データセットのためのtcgfの具体的実装を提供する。 7つの異なるスケールのデータセットで行った実験結果は、既存の最先端のマルチビュー学習手法と比較して提案したTCGFの優位性を示している。

関連論文リスト

• Semi-supervised multi-view concept decomposition [30.699496411869834]
  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。
  論文  参考訳（メタデータ） (2023-07-03T10:50:44Z)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習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,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• 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)
• Latent Heterogeneous Graph Network for Incomplete Multi-View Learning [57.49776938934186]
  非完全多視点学習のための新しい遅延不均質グラフネットワーク(LHGN)を提案する。 統一された潜在表現を学習することにより、異なる視点間の一貫性と相補性の間のトレードオフが暗黙的に実現される。 学習とテストフェーズの不整合を回避するため,分類タスクのグラフ学習に基づくトランスダクティブ学習手法を適用した。
  論文  参考訳（メタデータ） (2022-08-29T15:14:21Z)
• A unified framework based on graph consensus term for multi-view learning [5.168659132277719]
  本稿では,既存のグラフ埋め込み作業の多くを統一された公式に活用することを目的とした,新しい多視点学習フレームワークを提案する。 本手法は,グラフ埋め込み手法の多様性を維持するために,各ビューのグラフ構造を独立に探索する。 この目的のために、異なる視点の多様性と相補的な情報を同時に検討することができる。
  論文  参考訳（メタデータ） (2021-05-25T09:22:21Z)
• Deep Partial Multi-View Learning [94.39367390062831]
  クロスパーシャル・マルチビュー・ネットワーク(CPM-Nets)と呼ばれる新しいフレームワークを提案する。 我々はまず、多視点表現に対する完全性と汎用性の形式的な定義を提供する。 そして、理論的に学習された潜在表現の多元性を証明する。
  論文  参考訳（メタデータ） (2020-11-12T02:29:29Z)
• Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
  グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。 本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
  論文  参考訳（メタデータ） (2020-08-24T06:11:29Z)
• Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning [70.67092105994598]
  本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。 特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。 6つの公開データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-13T01:13:23Z)
• 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。