論文の概要: Unpaired Multi-view Clustering via Reliable View Guidance
- arxiv url: http://arxiv.org/abs/2404.17894v1
- Date: Sat, 27 Apr 2024 13:03:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-30 18:41:58.364386
- Title: Unpaired Multi-view Clustering via Reliable View Guidance
- Title（参考訳）: 信頼性の高いビュー誘導によるマルチビュークラスタリング
- Authors: Like Xin, Wanqi Yang, Lei Wang, Ming Yang,
- Abstract要約: 本稿では、複数のビューでペアリングされたサンプルが利用できないという問題であるUMC(unpaired multi-view clustering)に焦点を当てる。
本稿では,信頼度の高い1つのビュー (RG-UMC) と複数の信頼度の高いビュー (RGs-UMC) を UMC に対して提案する。
RG-UMCとRGs-UMCは、それぞれ24.14%と29.42%のNMIで最高の最先端の手法を上回っている。
- 参考スコア（独自算出の注目度）: 7.441454668534061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper focuses on unpaired multi-view clustering (UMC), a challenging problem where paired observed samples are unavailable across multiple views. The goal is to perform effective joint clustering using the unpaired observed samples in all views. In incomplete multi-view clustering, existing methods typically rely on sample pairing between views to capture their complementary. However, that is not applicable in the case of UMC. Hence, we aim to extract the consistent cluster structure across views. In UMC, two challenging issues arise: uncertain cluster structure due to lack of label and uncertain pairing relationship due to absence of paired samples. We assume that the view with a good cluster structure is the reliable view, which acts as a supervisor to guide the clustering of the other views. With the guidance of reliable views, a more certain cluster structure of these views is obtained while achieving alignment between reliable views and other views. Then we propose Reliable view Guidance with one reliable view (RG-UMC) and multiple reliable views (RGs-UMC) for UMC. Specifically, we design alignment modules with one reliable view and multiple reliable views, respectively, to adaptively guide the optimization process. Also, we utilize the compactness module to enhance the relationship of samples within the same cluster. Meanwhile, an orthogonal constraint is applied to latent representation to obtain discriminate features. Extensive experiments show that both RG-UMC and RGs-UMC outperform the best state-of-the-art method by an average of 24.14\% and 29.42\% in NMI, respectively.
- Abstract（参考訳）: 本稿では、複数のビューでペアリングされたサンプルが利用できないという問題であるUMC(unpaired multi-view clustering)に焦点を当てる。
目的は、すべてのビューで未確認のサンプルを使用して効果的な共同クラスタリングを行うことである。
不完全なマルチビュークラスタリングでは、既存のメソッドは通常、補完的なビューをキャプチャするためにビュー間のサンプルペアリングに依存します。
ただし、UMCでは適用できない。
したがって、ビューをまたいだ一貫したクラスタ構造を抽出することを目指している。
UMCでは、ラベルの欠如による不確実なクラスタ構造と、ペアサンプルの欠如による不確実なペア関係の2つの問題が発生する。
優れたクラスタ構造を持つビューは信頼性の高いビューであると仮定し、他のビューのクラスタ化を誘導するスーパーバイザとして機能する。
信頼性の高いビューのガイダンスにより、信頼性のあるビューと他のビューとの整合性を確保しながら、これらのビューのより特定のクラスタ構造が得られます。
次に, 信頼度の高い1つのビュー (RG-UMC) と複数の信頼度の高いビュー (RGs-UMC) を UMC に対して提案する。
具体的には、最適化プロセスを適応的に導くために、1つの信頼できるビューと複数の信頼できるビューを持つアライメントモジュールを設計する。
また,同クラスタ内のサンプルの関係性を高めるためにコンパクト化モジュールを利用する。
一方、潜在表現に直交制約を適用して識別特徴を得る。
大規模な実験では、RG-UMCとRGs-UMCがそれぞれ24.14\%と29.42\%で最高の最先端の手法より優れていた。
関連論文リスト
- Balanced Multi-view Clustering [56.17836963920012]
マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。
MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。
本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
論文 参考訳（メタデータ） (2025-01-05T14:42:47Z) - Multi-level Reliable Guidance for Unpaired Multi-view Clustering [7.441454668534061]
MRG-UMC(Multi-level Reliable Guidance for UMC) という手法を提案する。
MRG-UMCはマルチレベルクラスタリングを活用して、インナービュー、クロスビュー、コモンビューにわたる信頼できるクラスタ構造を学習する。
クロスビュー学習では、信頼性の高いビューガイダンスは、他のビューにおけるクラスタ構造の信頼性を高める。
論文 参考訳（メタデータ） (2024-07-01T12:49:55Z) - 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) - DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。
まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。
トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
論文 参考訳（メタデータ） (2023-08-17T14:14:28Z) - 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) - 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) - 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) - 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。