論文の概要: One-Step Multi-View Clustering Based on Transition Probability

• arxiv url: http://arxiv.org/abs/2403.01460v1
• Date: Sun, 3 Mar 2024 09:43:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 21:15:10.017833
• Title: One-Step Multi-View Clustering Based on Transition Probability
• Title（参考訳）: 遷移確率に基づくワンステップマルチビュークラスタリング
• Authors: Wenhui Zhao, Quanxue Gao, Guangfei Li, Cheng Deng, Ming Yang
• Abstract要約: 遷移確率に基づくワンステップマルチビュークラスタリング(OSMVC-TP)を導入する。 本手法は,アンカーポイントからカテゴリへの遷移確率を直接学習し,サンプルからカテゴリへの遷移確率を計算する。 異なる視点でラベルの整合性を維持するために、ソフトラベルからなるテンソルにシャッテン p-ノルムの制約を適用する。
• 参考スコア（独自算出の注目度）: 61.841829428397034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The large-scale multi-view clustering algorithms, based on the anchor graph, have shown promising performance and efficiency and have been extensively explored in recent years. Despite their successes, current methods lack interpretability in the clustering process and do not sufficiently consider the complementary information across different views. To address these shortcomings, we introduce the One-Step Multi-View Clustering Based on Transition Probability (OSMVC-TP). This method adopts a probabilistic approach, which leverages the anchor graph, representing the transition probabilities from samples to anchor points. Our method directly learns the transition probabilities from anchor points to categories, and calculates the transition probabilities from samples to categories, thus obtaining soft label matrices for samples and anchor points, enhancing the interpretability of clustering. Furthermore, to maintain consistency in labels across different views, we apply a Schatten p-norm constraint on the tensor composed of the soft labels. This approach effectively harnesses the complementary information among the views. Extensive experiments have confirmed the effectiveness and robustness of OSMVC-TP.
• Abstract（参考訳）: アンカーグラフに基づく大規模マルチビュークラスタリングアルゴリズムは、期待できる性能と効率を示し、近年広く研究されている。 その成功にもかかわらず、現在の手法はクラスタリングプロセスにおいて解釈可能性に欠けており、異なるビュー間の補完的な情報を十分に考慮していない。 これらの欠点に対処するために、遷移確率に基づくワンステップマルチビュークラスタリング(OSMVC-TP)を導入する。 この方法は、アンカーグラフを利用する確率的アプローチを採用し、サンプルからアンカー点への遷移確率を表す。 本手法は,アンカー点からカテゴリへの遷移確率を直接学習し,サンプルからカテゴリへの遷移確率を算出し,サンプルとアンカー点のソフトラベル行列を取得し,クラスタリングの解釈可能性を高める。 さらに,異なるビューにまたがるラベルの一貫性を維持するために,ソフトラベルからなるテンソルにシャッテンpノルム制約を適用する。 このアプローチは、ビュー間の補完情報を効果的に活用する。 大規模な実験によりOSMVC-TPの有効性と堅牢性が確認された。

関連論文リスト

• Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
  アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。 複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
  論文  参考訳（メタデータ） (2024-04-01T03:23:55Z)
• Anchor-free Clustering based on Anchor Graph Factorization [17.218481911995365]
  Anchor Graph Factorization(AFCAGF)に基づくAnchor-free Clusteringと呼ばれる新しい手法を提案する。 AFCAGFはアンカーグラフの学習において革新的であり、サンプル間のペア距離の計算のみを必要とする。 我々は,クラスタセンターとFKMのサンプル間のメンバシップ行列の概念を,複数のアンカーポイントとサンプルを含むアンカーグラフに進化させた。
  論文  参考訳（メタデータ） (2024-02-24T02:16:42Z)
• ProbMCL: Simple Probabilistic Contrastive Learning for Multi-label Visual Classification [16.415582577355536]
  マルチラベル画像分類は、コンピュータビジョンや医用画像など、多くの領域において難しい課題である。 最近の進歩は、グラフベースとトランスフォーマーベースのメソッドを導入し、パフォーマンスを改善し、ラベルの依存関係をキャプチャしている。 本稿では,これらの課題に対処する新しいフレームワークである確率的多ラベルコントラスト学習(ProbMCL)を提案する。
  論文  参考訳（メタデータ） (2024-01-02T22:15:20Z)
• 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)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• LaneAF: Robust Multi-Lane Detection with Affinity Fields [9.607267724849766]
  本研究では,2値セグメンテーションマスクと画素間親和性フィールドの予測を含むレーン検出手法を提案する。 親和性フィールドは、バイナリマスクとともに、後処理ステップで対応するレーンインスタンスに水平および垂直にレーンピクセルをクラスタリングするために使用することができる。 提案手法は,tusimpleベンチマークの最先端の手法と同等に動作し,挑戦するculaneデータセットに新たな最先端の手法を設定する。
  論文  参考訳（メタデータ） (2021-03-22T17:43:19Z)
• Provably End-to-end Label-Noise Learning without Anchor Points [118.97592870124937]
  本稿では,アンカーポイントを使わずにラベルノイズ学習を実現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。 提案フレームワークでは,クリーンなクラス後確率が十分に分散している場合,遷移行列を同定できる。
  論文  参考訳（メタデータ） (2021-02-04T03:59:37Z)

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。