論文の概要: Joint Multi-View Collaborative Clustering

• arxiv url: http://arxiv.org/abs/2311.12859v1
• Date: Wed, 25 Oct 2023 08:23:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 00:19:47.279268
• Title: Joint Multi-View Collaborative Clustering
• Title（参考訳）: 共同多視点協調クラスタリング
• Authors: Yasser Khalafaoui (Alteca, ETIS), Basarab Matei (LIPN), Nistor Grozavu (ETIS), Martino Lovisetto (Alteca)
• Abstract要約: マルチビューデータは、従来のシングルビューデータよりもリッチな情報を提供する。 マルチビュークラスタリングアルゴリズムの目標は、複数のビューで共有される共通の潜在構造を見つけることである。 本稿では,JMVCC(Joint Multi-View Collaborative Clustering)ソリューションを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data is increasingly being collected from multiple sources and described by multiple views. These multi-view data provide richer information than traditional single-view data. Fusing the former for specific tasks is an essential component of multi-view clustering. Since the goal of multi-view clustering algorithms is to discover the common latent structure shared by multiple views, the majority of proposed solutions overlook the advantages of incorporating knowledge derived from horizontal collaboration between multi-view data and the final consensus. To fill this gap, we propose the Joint Multi-View Collaborative Clustering (JMVCC) solution, which involves the generation of basic partitions using Non-negative Matrix Factorization (NMF) and the horizontal collaboration principle, followed by the fusion of these local partitions using ensemble clustering. Furthermore, we propose a weighting method to reduce the risk of negative collaboration (i.e., views with low quality) during the generation and fusion of local partitions. The experimental results, which were obtained using a variety of data sets, demonstrate that JMVCC outperforms other multi-view clustering algorithms and is robust to noisy views.
• Abstract（参考訳）: データは複数のソースから収集され、複数のビューで説明されています。 これらのマルチビューデータは、従来のシングルビューデータよりもリッチな情報を提供する。 前者を特定のタスクに使用することは、マルチビュークラスタリングの重要なコンポーネントである。 マルチビュークラスタリングアルゴリズムの目的は、複数のビューで共有される共通の潜在構造を発見することであるため、提案されたソリューションの大部分は、マルチビューデータと最終的なコンセンサスの間の水平的なコラボレーションから得られた知識を組み込むことの利点を見落としている。 このギャップを埋めるために、非負行列因子化(NMF)と水平協調原理を用いた基本分割の生成を含むJMVCC(Joint Multi-View Collaborative Clustering)ソリューションを提案し、その後、アンサンブルクラスタリングを用いてこれらの局所分割を融合させる。 さらに,局所分割の生成と融合における負のコラボレーション(すなわち,低品質のビュー)のリスクを低減するための重み付け手法を提案する。 様々なデータセットを用いて得られた実験結果は、JMVCCが他のマルチビュークラスタリングアルゴリズムより優れており、ノイズの多いビューに対して堅牢であることを示している。

関連論文リスト

• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  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。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• A Novel Approach for Effective Multi-View Clustering with Information-Theoretic Perspective [24.630259061774836]
  本研究では,多視点クラスタリングフレームワークを情報理論の観点から検討する,SUMVC(Sufficient Multi-View Clustering)と呼ばれる新しい手法を提案する。 まず,変分解析を用いて一貫した情報を生成する,シンプルで信頼性の高いマルチビュークラスタリング手法SCMVCを開発する。 次に、一貫した情報を強化し、ビュー間の不要な情報を最小限に抑えるのに十分な表現境界を提案する。
  論文  参考訳（メタデータ） (2023-09-25T09:41:11Z)
• One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
  本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。 そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T02:52:24Z)
• 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)
• Locality Relationship Constrained Multi-view Clustering Framework [5.586948325488168]
  局所性関連制約付きマルチビュークラスタリングフレームワーク(LRC-MCF)について述べる。 様々な視点の多様性、幾何学、コンセンサス、補完的な情報を探究することを目的としている。 LRC-MCFは、共通視点の局所性構造を見つける際に、異なる視点の重みを十分に考慮する。
  論文  参考訳（メタデータ） (2021-07-11T15:45:10Z)
• Multi-view Hierarchical Clustering [12.01031088378791]
  マルチビュークラスタリングは、マルチビューデータによるクラスタリング結果の促進を目的としている。 複数レベルの粒度でマルチビューデータを分割するマルチビュー階層クラスタリング(MHC)を提案する。 MHCはパラメータ選択なしで現実世界のアプリケーションに容易に効果的に利用することができる。
  論文  参考訳（メタデータ） (2020-10-15T07:46:18Z)
• 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)
• Deep Embedded Multi-view Clustering with Collaborative Training [42.289184796907655]
  マルチビュークラスタリングは、近年、複数のビューからの情報を活用することで注目を集めている。 既存のマルチビュークラスタリング手法は高い計算量と空間の複雑さを持つか、表現能力の欠如がある。 本稿では,協調学習(DEMVC)を用いたディープエンベッド型マルチビュークラスタリングを提案する。
  論文  参考訳（メタデータ） (2020-07-26T06:51:57Z)
• 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。