論文の概要: Incomplete Contrastive Multi-View Clustering with High-Confidence
Guiding
- arxiv url: http://arxiv.org/abs/2312.08697v1
- Date: Thu, 14 Dec 2023 07:28:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-15 23:46:32.287154
- Title: Incomplete Contrastive Multi-View Clustering with High-Confidence
Guiding
- Title（参考訳）: 高信頼誘導による不完全コントラストマルチビュークラスタリング
- Authors: Guoqing Chao, Yi Jiang, Dianhui Chu
- Abstract要約: 高信頼誘導(ICMVC)を用いた非完全コントラストマルチビュークラスタリング手法を提案する。
まず、欠落した値問題に対処するために、マルチビュー整合関係転送とグラフ畳み込みネットワークを提案する。
第2に、補完情報を活用するために、インスタンスレベルの注意融合と高信頼誘導を提案する。
- 参考スコア（独自算出の注目度）: 7.305817202715752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Incomplete multi-view clustering becomes an important research problem, since
multi-view data with missing values are ubiquitous in real-world applications.
Although great efforts have been made for incomplete multi-view clustering,
there are still some challenges: 1) most existing methods didn't make full use
of multi-view information to deal with missing values; 2) most methods just
employ the consistent information within multi-view data but ignore the
complementary information; 3) For the existing incomplete multi-view clustering
methods, incomplete multi-view representation learning and clustering are
treated as independent processes, which leads to performance gap. In this work,
we proposed a novel Incomplete Contrastive Multi-View Clustering method with
high-confidence guiding (ICMVC). Firstly, we proposed a multi-view consistency
relation transfer plus graph convolutional network to tackle missing values
problem. Secondly, instance-level attention fusion and high-confidence guiding
are proposed to exploit the complementary information while instance-level
contrastive learning for latent representation is designed to employ the
consistent information. Thirdly, an end-to-end framework is proposed to
integrate multi-view missing values handling, multi-view representation
learning and clustering assignment for joint optimization. Experiments compared
with state-of-the-art approaches demonstrated the effectiveness and superiority
of our method. Our code is publicly available at
https://github.com/liunian-Jay/ICMVC.
- Abstract（参考訳）: 実世界のアプリケーションでは、値が欠けているマルチビューデータがユビキタスであるため、不完全なマルチビュークラスタリングは重要な研究課題となる。
不完全なマルチビュークラスタリングには大きな努力がなされているが、まだいくつか課題がある。
1)既存のほとんどのメソッドは、欠落した値を扱うためにマルチビュー情報をフル活用しなかった。
2)ほとんどの方法は,多視点データ内の一貫性情報のみを用いるが,補完情報を無視している。
3) 既存の不完全なマルチビュークラスタリング手法では,不完全なマルチビュー表現学習とクラスタリングが独立したプロセスとして扱われ,性能差が生じる。
本研究では,高信頼誘導(ICMVC)を用いた非完全コントラストマルチビュークラスタリング手法を提案する。
まず、欠落値問題に対処するために、多視点一貫性関係伝達とグラフ畳み込みネットワークを提案する。
第二に、補完情報を活用するために、インスタンスレベルの注意融合と高信頼誘導が提案され、一方、潜在表現に対するインスタンスレベルのコントラスト学習は一貫性のある情報を利用するように設計されている。
第3に,マルチビュー欠落値処理,マルチビュー表現学習,統合最適化のためのクラスタリング割り当てを統合するためのエンドツーエンドフレームワークを提案する。
最先端手法との比較実験により,本手法の有効性と優位性を示した。
私たちのコードはhttps://github.com/liunian-Jay/ICMVC.comで公開されています。
関連論文リスト
- CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳（メタデータ） (2024-03-28T15:45:03Z) - Hierarchical Mutual Information Analysis: Towards Multi-view Clustering
in The Wild [9.380271109354474]
この研究は、データリカバリとアライメントを階層的に一貫した方法で融合し、異なるビュー間の相互情報を最大化するディープMVCフレームワークを提案する。
私たちの知る限りでは、これは欠落したデータ問題と不整合データ問題に異なる学習パラダイムで別々に対処する最初の試みになるかもしれません。
論文 参考訳（メタデータ） (2023-10-28T06:43:57Z) - 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) - Unpaired Multi-View Graph Clustering with Cross-View Structure Matching [39.310384044597065]
既存のMVCメソッドの多くは、マルチビューデータが完全にペアリングされていると仮定している。
データ通信は、データ破損やセンサーの違いにより、現実世界のアプリケーションでは不完全であることが多い。
本稿では,クロスビュー構造マッチングを用いたパラメータフリーグラフクラスタリングフレームワークUnpaired Multi-view Graph Clusteringフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-07T09:29:44Z) - 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) - Incomplete Multi-view Clustering via Diffusion Completion [0.0]
本稿では,不完全なマルチビュークラスタリングフレームワークに組み込まれている不完全なビューを復元する拡散補完法を提案する。
観測可能なビュー情報に基づいて、拡散モデルを用いて、行方不明のビューを復元する。
提案手法は,最先端の手法と比較して,クラスタリング性能が優れている一方で,欠落したビューの回復に有効である。
論文 参考訳（メタデータ） (2023-05-19T07:39:24Z) - Learning Reliable Representations for Incomplete Multi-View Partial
Multi-Label Classification [65.95823612309356]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。
既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。
我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文 参考訳（メタデータ） (2023-03-30T03:09:25Z) - 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) - Error-Robust Multi-View Clustering: Progress, Challenges and
Opportunities [67.54503077766171]
ラベル情報は取得に費用がかかることが多いため、マルチビュークラスタリングが注目されている。
明示的なエラー除去定式化によるエラーロバストマルチビュークラスタリングアプローチは、5つの広範な研究カテゴリに構成できる。
この調査は、マルチビューデータに対するエラーロストクラスタリングの最近の進歩を要約し、レビューする。
論文 参考訳（メタデータ） (2021-05-07T04:03:02Z) - 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。