論文の概要: Enhanced Latent Multi-view Subspace Clustering

• arxiv url: http://arxiv.org/abs/2312.14763v2
• Date: Tue, 27 Aug 2024 05:09:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 19:58:52.911056
• Title: Enhanced Latent Multi-view Subspace Clustering
• Title（参考訳）: 拡張潜在多視点サブスペースクラスタリング
• Authors: Long Shi, Lei Cao, Jun Wang, Badong Chen,
• Abstract要約: 潜在空間表現を復元するための拡張潜在多視点サブスペースクラスタリング(ELMSC)手法を提案する。 提案するELMSCは,最先端のマルチビュークラスタリング手法よりも高いクラスタリング性能を実現することができる。
• 参考スコア（独自算出の注目度）: 25.343388834470247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latent multi-view subspace clustering has been demonstrated to have desirable clustering performance. However, the original latent representation method vertically concatenates the data matrices from multiple views into a single matrix along the direction of dimensionality to recover the latent representation matrix, which may result in an incomplete information recovery. To fully recover the latent space representation, we in this paper propose an Enhanced Latent Multi-view Subspace Clustering (ELMSC) method. The ELMSC method involves constructing an augmented data matrix that enhances the representation of multi-view data. Specifically, we stack the data matrices from various views into the block-diagonal locations of the augmented matrix to exploit the complementary information. Meanwhile, the non-block-diagonal entries are composed based on the similarity between different views to capture the consistent information. In addition, we enforce a sparse regularization for the non-diagonal blocks of the augmented self-representation matrix to avoid redundant calculations of consistency information. Finally, a novel iterative algorithm based on the framework of Alternating Direction Method of Multipliers (ADMM) is developed to solve the optimization problem for ELMSC. Extensive experiments on real-world datasets demonstrate that our proposed ELMSC is able to achieve higher clustering performance than some state-of-art multi-view clustering methods.
• Abstract（参考訳）: 潜在的マルチビューサブスペースクラスタリングは、望ましいクラスタリング性能を有することが示されている。 しかし、元の潜在表現法は、データ行列を複数のビューから次元方向に沿って1つの行列に垂直に結合し、潜在表現行列を復元し、不完全な情報回復をもたらす可能性がある。 本稿では,潜在空間表現を完全に回復するために,拡張潜在多視点サブスペースクラスタリング(ELMSC)法を提案する。 ELMSC法はマルチビューデータの表現を強化する拡張データ行列の構築を含む。 具体的には、様々なビューから得られたデータ行列を拡張行列のブロック対角位置に積み重ねて、補完的な情報を利用する。 一方、非ブロック対角的エントリは、異なるビュー間の類似性に基づいて構成され、一貫性のある情報をキャプチャする。 さらに,拡張自己表現行列の非対角ブロックに対するスパース正規化を適用し,一貫性情報の冗長な計算を回避する。 最後に,ALMM(Alternating Direction Method of Multipliers)の枠組みに基づく新しい反復アルゴリズムを開発し,EMMSCの最適化問題を解く。 実世界のデータセットに対する大規模な実験により,提案したELMSCは,最先端のマルチビュークラスタリング手法よりも高いクラスタリング性能を実現することができることが示された。

関連論文リスト

• 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)
• 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)
• Multi-view Clustering via Deep Matrix Factorization and Partition Alignment [43.56334737599984]
  本稿では,深層行列分解と分割アライメントによる新しいマルチビュークラスタリングアルゴリズムを提案する。 収束性が証明された最適化問題を解くために交互最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-05-01T15:06:57Z)
• Multi-view Clustering with Deep Matrix Factorization and Global Graph Refinement [37.34296330445708]
  マルチビュークラスタリングは、機械学習とデータマイニングにおいて重要かつ困難なタスクです。 本稿では,ディープセミnmfとグローバルグラフリファインメント(mvc-dmf-ggr)を用いたマルチビュークラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2021-05-01T13:40:20Z)
• Discriminatively Constrained Semi-supervised Multi-view Nonnegative Matrix Factorization with Graph Regularization [10.978930376656423]
  差別的制約付きセミスーパービジョン・マルチビュー非負行列因子化(DCS2MVNMF)を提案する。 具体的には、各ビューの補助マトリックスに対して差別的重み付け行列を導入し、クラス間の区別を高める。 さらに,複数のビューを整列し,対応する反復最適化スキームを完成させるために,新しい機能スケール正規化戦略を設計する。
  論文  参考訳（メタデータ） (2020-10-26T02:58:11Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• 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)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。