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

• arxiv url: http://arxiv.org/abs/2310.07166v2
• Date: Tue, 9 Apr 2024 12:40:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-10 20:16:36.485773
• Title: Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent
• Title（参考訳）: 階層的特徴退化を伴う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
• Authors: Qiyuan Ou, Siwei Wang, Pei Zhang, Sihang Zhou, En Zhu,
• Abstract要約: 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）: 46.86939432189035
• 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. {Moreover, due to the fact that many existing multi-view clustering algorithms stem from spectral clustering, this results to cubic time complexity w.r.t. the number of dataset. However, we propose Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent(MVSC-HFD) to tackle the discrepancy among views through hierarchical feature descent and project to a common subspace( STAGE 1), which reveals dependency of different views. We further reduce the computational complexity to linear time cost through a unified sampling strategy in the common subspace( STAGE 2), followed by anchor-based subspace clustering to learn the bipartite graph 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整合させようとするときに起こる。 既存のマルチビュークラスタリングアルゴリズムの多くはスペクトルクラスタリングに起因しているため、この結果、データセットの数が3乗時間で複雑になる。 しかし,階層的特徴降下(MVSC-HFD)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(Multi-view Subspace Clustering)を提案する。 さらに、共通部分空間(STAGE2)における統一サンプリング戦略により、計算複雑性を線形時間コストに低減し、続いてアンカーベースのサブスペースクラスタリングを行い、二部グラフを総合的に学習する(STAGE3)。 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,提案した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。