論文の概要: Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent

• arxiv url: http://arxiv.org/abs/2310.07166v1
• Date: Wed, 11 Oct 2023 03:29:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 00:36:19.630928
• Title: Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent
• Title（参考訳）: 階層的特徴降下を用いたアンカー型マルチビューサブスペースクラスタリング
• Authors: Qiyuan Ou, Siwei Wang, Pei Zhang, Sihang Zhou, En Zhu
• Abstract要約: マルチビュークラスタリングは、様々なソースから情報を集約する能力によって、注目を集めている。 階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
• 参考スコア（独自算出の注目度）: 50.283640069991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering has attracted growing attention owing to its capabilities of aggregating information from various sources and its promising horizons in public affairs. Up till now, many advanced approaches have been proposed in recent literature. However, there are several ongoing difficulties to be tackled. One common dilemma occurs while attempting to align the features of different views. We dig out as well as deploy the dependency amongst views through hierarchical feature descent, which leads to a common latent space( STAGE 1). This latent space, for the first time of its kind, is regarded as a 'resemblance space', as it reveals certain correlations and dependencies of different views. To be exact, the one-hot encoding of a category can also be referred to as a resemblance space in its terminal phase. Moreover, due to the intrinsic fact that most of the existing multi-view clustering algorithms stem from k-means clustering and spectral clustering, this results in cubic time complexity w.r.t. the number of the objects. However, we propose Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent(MVSC-HFD) to further reduce the computing complexity to linear time cost through a unified sampling strategy in resemblance space( STAGE 2), followed by subspace clustering to learn the representation collectively( STAGE 3). Extensive experimental results on public benchmark datasets demonstrate that our proposed model consistently outperforms the state-of-the-art techniques.
• Abstract（参考訳）: 多視点クラスタリングは、様々な情報源からの情報を集約する能力や、公務における将来性から注目されている。 これまでのところ、多くの先進的なアプローチが近年の文献で提案されている。 しかし、対処すべき課題はいくつかある。 共通のジレンマは、異なるビューの特徴を調整しようとするときに起こる。 我々は、階層的な特徴降下を通じてビュー間の依存性をデプロイするだけでなく、共通の潜伏空間(STAGE 1)につながります。 この潜在空間は、その種類が初めて「類似空間」と見なされ、異なる視点の特定の相関関係と依存関係を明らかにする。 正確には、カテゴリの1-ホットエンコーディングは、その終相における類似空間(resemblance space)とも呼ばれる。 さらに、既存のマルチビュークラスタリングアルゴリズムのほとんどがk平均クラスタリングとスペクトルクラスタリングに起因しているという本質的な事実から、これによりキュービックな時間複雑性(w.r.t.)が発生する。 しかし,階層的特徴降下(mvsc-hfd)を用いたアンカー型マルチビュー部分空間クラスタリングを提案する。 公開ベンチマークデータセットの大規模な実験結果から,提案モデルが最先端技術より一貫して優れていることが示された。

関連論文リスト

• 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)
• 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)
• Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity [63.85428043085567]
  本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。 ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。 FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2022-03-22T09:51:24Z)
• Seeking Commonness and Inconsistencies: A Jointly Smoothed Approach to Multi-view Subspace Clustering [18.73046476758598]
  本稿では,JSMC(Commandly smoothed Multi-view subspace clustering)アプローチを提案する。 具体的には、サブスペース表現学習にクロスビューの共通点と矛盾点を組み込む。 様々な実世界のマルチビューデータセットの実験結果から,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-03-15T16:52:15Z)
• Tensor-based Intrinsic Subspace Representation Learning for Multi-view Clustering [18.0093330816895]
  本稿では,マルチビュークラスタリングのための新規な固有部分空間表現(TISRL)を提案する。 異なる視点に含まれる特定の情報は、階級保存分解によって完全に調査されていることが分かる。 9つの一般的な実世界のマルチビューデータセットの実験結果は、TISRLの優位性を示している。
  論文  参考訳（メタデータ） (2020-10-19T03:36:18Z)
• 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)
• Joint Featurewise Weighting and Lobal Structure Learning for Multi-view Subspace Clustering [3.093890460224435]
  マルチビュークラスタリングは複数の機能セットを統合し、データの異なる側面を明らかにし、相互に補完情報を提供する。 既存のマルチビュークラスタリング手法の多くは、各ビューの局所構造を無視しながら、すべてのビューの一貫性を探求することのみを目的としている。 本稿では、異なる特徴に対する重みを同時に割り当て、ビュー固有の自己表現特徴空間におけるデータの局所的情報を取得することで、新しいマルチビューサブスペースクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-25T01:57:57Z)
• Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
  本稿では,最適コンセンサスを近似する凝集分析法を提案する。 本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
  論文  参考訳（メタデータ） (2020-05-12T05:39:10Z)

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。