論文の概要: CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network
- arxiv url: http://arxiv.org/abs/2403.19514v1
- Date: Thu, 28 Mar 2024 15:45:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-29 15:44:37.887886
- Title: CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network
- Title（参考訳）: CDIMC-net:Cognitive Deep Incomplete Multi-view Clustering Network
- Authors: Jie Wen, Zheng Zhang, Yong Xu, Bob Zhang, Lunke Fei, Guo-Sen Xie,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 53.72046586512026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, incomplete multi-view clustering, which studies the challenging multi-view clustering problem on missing views, has received growing research interests. Although a series of methods have been proposed to address this issue, the following problems still exist: 1) Almost all of the existing methods are based on shallow models, which is difficult to obtain discriminative common representations. 2) These methods are generally sensitive to noise or outliers since the negative samples are treated equally as the important samples. In this paper, we propose a novel incomplete multi-view clustering network, called Cognitive Deep Incomplete Multi-view Clustering Network (CDIMC-net), to address these issues. Specifically, it captures the high-level features and local structure of each view by incorporating the view-specific deep encoders and graph embedding strategy into a framework. Moreover, based on the human cognition, i.e., learning from easy to hard, it introduces a self-paced strategy to select the most confident samples for model training, which can reduce the negative influence of outliers. Experimental results on several incomplete datasets show that CDIMC-net outperforms the state-of-the-art incomplete multi-view clustering methods.
- Abstract（参考訳）: 近年,不完全なマルチビュークラスタリングが注目されている。
この問題に対処する一連の方法が提案されているが、次のような問題が残されている。
1) 既存の手法のほとんど全ては浅いモデルに基づいており、識別的共通表現を得ることは困難である。
2) これらの手法は, 負のサンプルを重要試料として等しく扱うため, ノイズや外れ値に敏感である。
本稿では,これらの問題に対処するために,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)を提案する。
具体的には、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局所的な構造をキャプチャする。
さらに、人間の認知、すなわち、容易からハードへの学習に基づいて、モデルトレーニングにおいて最も自信あるサンプルを選択するセルフペース戦略を導入し、アウトリーチのネガティブな影響を減らすことができる。
いくつかの不完全なデータセットの実験結果から、CDIMC-netは最先端の不完全なマルチビュークラスタリング法よりも優れていた。
関連論文リスト
- Incomplete Contrastive Multi-View Clustering with High-Confidence
Guiding [7.305817202715752]
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。
論文 参考訳（メタデータ） (2023-12-14T07:28:41Z) - 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) - Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and
Prototype Alignment [50.82982601256481]
深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。
従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
論文 参考訳（メタデータ） (2023-03-28T02:31:57Z) - A Survey on Incomplete Multi-view Clustering [66.50475816827208]
病気の診断、マルチメディア分析、レコメンデーションシステムなどの実践的な応用では、サンプルのすべてのビューが利用できるわけではない。
不完全なマルチビュークラスタリングは、不完全なマルチビュークラスタリングと呼ばれる。
論文 参考訳（メタデータ） (2022-08-17T03:00:59Z) - Deep Multi-View Semi-Supervised Clustering with Sample Pairwise
Constraints [10.226754903113164]
本稿では,ネットワークファインタニングにおける3種類の損失を協調的に最適化するDMSC法を提案する。
提案手法は,最先端のマルチビューやシングルビューの競合よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-10T08:51:56Z) - 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) - Deep Adversarial Inconsistent Cognitive Sampling for Multi-view
Progressive Subspace Clustering [45.8773004047657]
マルチビュープログレッシブサブスペースクラスタリングのためのDeep Adversarial Inconsistent Cognitive Sampling (DAICS)法を提案する。
マルチビュークラスタリングネットワークトレーニングのために、入力サンプルを簡単から困難に選択するためのマルチビュー認知サンプリング戦略を開発しています。
4つの実世界のデータセットの実験結果は、最先端の方法よりもDAICSの優位性を示しています。
論文 参考訳（メタデータ） (2021-01-11T09:32:34Z) - 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) - 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。