論文の概要: Efficient and Effective Multi-View Subspace Clustering for Large-scale Data

• arxiv url: http://arxiv.org/abs/2310.09718v1
• Date: Sun, 15 Oct 2023 03:08:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 18:42:42.073259
• Title: Efficient and Effective Multi-View Subspace Clustering for Large-scale Data
• Title（参考訳）: 大規模データに対する効率的かつ効果的なマルチビューサブスペースクラスタリング
• Authors: Yuxiu Lin, Hui Liu, Ren Wang, Gongguan Chen, and Caiming Zhang
• Abstract要約: 効率的な大規模マルチビューサブスペースクラスタリング(E$2$LMVSC)と呼ばれる新しいディープフレームワークを提案する。 具体的には、統一表現の質を高めるために、ソフトクラスタリング代入類似性制約を考案する。 E$2$LMVSCは、大規模マルチビューデータセットで最先端のクラスタリング性能を達成する。
• 参考スコア（独自算出の注目度）: 8.204656139144678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent multi-view subspace clustering achieves impressive results utilizing deep networks, where the self-expressive correlation is typically modeled by a fully connected (FC) layer. However, they still suffer from two limitations: i) it is under-explored to extract a unified representation from multiple views that simultaneously satisfy minimal sufficiency and discriminability. ii) the parameter scale of the FC layer is quadratic to the number of samples, resulting in high time and memory costs that significantly degrade their feasibility in large-scale datasets. In light of this, we propose a novel deep framework termed Efficient and Effective Large-scale Multi-View Subspace Clustering (E$^2$LMVSC). Specifically, to enhance the quality of the unified representation, a soft clustering assignment similarity constraint is devised for explicitly decoupling consistent, complementary, and superfluous information across multi-view data. Then, following information bottleneck theory, a sufficient yet minimal unified feature representation is obtained. Moreover, E$^2$LMVSC employs the maximal coding rate reduction principle to promote intra-cluster aggregation and inter-cluster separability within the unified representation. Finally, the self-expressive coefficients are learned by a Relation-Metric Net instead of a parameterized FC layer for greater efficiency. Extensive experiments show that E$^2$LMVSC yields comparable results to existing methods and achieves state-of-the-art clustering performance in large-scale multi-view datasets.
• Abstract（参考訳）: 近年のマルチビューサブスペースクラスタリングは、自己表現的相関が完全に連結された(FC)層によってモデル化されるディープネットワークを利用した印象的な結果が得られる。 しかし、まだ2つの制限がある。 一 最小限の満足度及び差別性を同時に満足する複数の視点から統一表現を抽出すること。 二 fc層のパラメータスケールはサンプル数の二乗であり、大規模データセットにおいてその実現可能性を大幅に低下させる高時間及びメモリコストをもたらす。 そこで本研究では,E$^2$LMVSC(Efficient and Effective Large-scale Multi-View Subspace Clustering)と呼ばれる新しいディープフレームワークを提案する。 具体的には、統一表現の質を高めるために、複数のビューデータにまたがる一貫性、相補性、および過剰な情報を明示的に分離するために、ソフトクラスタリング代入類似性制約を考案した。 そして、情報ボトルネック理論に従って、十分に最小限の統一特徴表現を得る。 さらに、E$^2$LMVSCは最大符号化率低減原理を用いて、統一表現におけるクラスタ内集約とクラスタ間分離性を促進する。 最後に、自己表現係数はパラメータ化されたfc層の代わりに関係計量ネットによって学習され、効率が向上する。 E$^2$LMVSCは既存の手法と同等の結果を示し、大規模マルチビューデータセットで最先端のクラスタリング性能を実現する。

関連論文リスト

• Scalable Multi-view Clustering via Explicit Kernel Features Maps [20.610589722626074]
  マルチビュー学習に対する意識の高まりは、現実世界のアプリケーションにおける複数のビューの増加によるものだ。 優れたクラスタリング性能を維持しつつ,計算負担を軽減するため,カーネル特徴マップを活用した効率的な最適化手法を提案する。 我々は,最先端のマルチビューサブスペースクラスタリング手法や属性ネットワークのマルチビューアプローチに対して,アルゴリズムの性能を評価するために,様々な規模の実世界のベンチマークネットワーク上で広範囲に実験を行った。
  論文  参考訳（メタデータ） (2024-02-07T12:35:31Z)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• 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)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Subspace-Contrastive Multi-View Clustering [0.0]
  本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。 ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。 提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
  論文  参考訳（メタデータ） (2022-10-13T07:19:37Z)
• 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)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)
• Contrastive Multi-view Hyperbolic Hierarchical Clustering [33.050054725595736]
  対比多視点ハイパーボリック階層クラスタリング(CMHHC)を提案する。 マルチビューアライメント学習、アライメントされた特徴類似学習、連続的な双曲的階層的クラスタリングという3つのコンポーネントで構成されている。 5つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-05-05T12:56:55Z)
• Smoothed Multi-View Subspace Clustering [14.77544837600836]
  本研究では,スムーズなマルチビューサブスペースクラスタリング(SMVSC)という新しいマルチビュークラスタリング手法を提案する。 グラフフィルタリングという新しい手法を用いて、各ビューのスムーズな表現を得る。 ベンチマークデータセットの実験は、我々のアプローチの優位性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T02:24:19Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。