論文の概要: Manifold-based Incomplete Multi-view Clustering via Bi-Consistency Guidance
- arxiv url: http://arxiv.org/abs/2405.10987v1
- Date: Thu, 16 May 2024 05:58:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-21 19:56:17.868412
- Title: Manifold-based Incomplete Multi-view Clustering via Bi-Consistency Guidance
- Title(参考訳): マニフォールドによる双方向誘導による不完全多視点クラスタリング
- Authors: Huibing Wang, Mingze Yao, Yawei Chen, Yunqiu Xu, Haipeng Liu, Wei Jia, Xianping Fu, Yang Wang,
- Abstract要約: 両一貫性ガイダンス(MIMB)を用いた不完全なマルチビュークラスタリング手法を提案する。
MIMBは様々な視点で不完全データを柔軟に復元し、逆正則化による双方向ガイダンスの実現を試みる。
以上の結果から,MIMBはいくつかの最先端のベースラインと比較して,優れた結果が得られることが示唆された。
- 参考スコア(独自算出の注目度): 23.071303965962517
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Incomplete multi-view clustering primarily focuses on dividing unlabeled data into corresponding categories with missing instances, and has received intensive attention due to its superiority in real applications. Considering the influence of incomplete data, the existing methods mostly attempt to recover data by adding extra terms. However, for the unsupervised methods, a simple recovery strategy will cause errors and outlying value accumulations, which will affect the performance of the methods. Broadly, the previous methods have not taken the effectiveness of recovered instances into consideration, or cannot flexibly balance the discrepancies between recovered data and original data. To address these problems, we propose a novel method termed Manifold-based Incomplete Multi-view clustering via Bi-consistency guidance (MIMB), which flexibly recovers incomplete data among various views, and attempts to achieve biconsistency guidance via reverse regularization. In particular, MIMB adds reconstruction terms to representation learning by recovering missing instances, which dynamically examines the latent consensus representation. Moreover, to preserve the consistency information among multiple views, MIMB implements a biconsistency guidance strategy with reverse regularization of the consensus representation and proposes a manifold embedding measure for exploring the hidden structure of the recovered data. Notably, MIMB aims to balance the importance of different views, and introduces an adaptive weight term for each view. Finally, an optimization algorithm with an alternating iteration optimization strategy is designed for final clustering. Extensive experimental results on 6 benchmark datasets are provided to confirm that MIMB can significantly obtain superior results as compared with several state-of-the-art baselines.
- Abstract(参考訳): 不完全なマルチビュークラスタリングは主に、ラベルのないデータを、欠落したインスタンスで対応するカテゴリに分割することに焦点を当てており、実際のアプリケーションにおける優位性から、集中的に注目を集めている。
不完全なデータの影響を考慮すると、既存の手法は主に余分な用語を加えてデータの回復を試みる。
しかし、教師なしのメソッドでは、単純なリカバリ戦略がエラーを引き起こし、メソッドのパフォーマンスに影響を及ぼす。
従来の手法では,復元されたデータと元のデータとの相違点を柔軟にバランスさせることが困難であった。
これらの問題に対処するため,両整合性ガイダンス(MIMB)を用いたマニフォールド型不完全多視点クラスタリング手法を提案し,逆正則化による両整合性ガイダンスの実現を試みた。
特に、MIMBは、欠落したインスタンスを回復して表現学習に再構成項を追加し、遅延したコンセンサス表現を動的に調べる。
さらに,複数ビュー間の整合性情報を保持するために,コンセンサス表現の逆正則化による両整合性誘導戦略を実装し,回復したデータの隠れ構造を探索するための多様体埋め込み尺度を提案する。
特に、MIMBは、異なる視点の重要性のバランスを図り、それぞれの視点に適応的な重み項を導入することを目的としている。
最後に、最終クラスタリングのために、繰り返し最適化を交互に行う最適化アルゴリズムを設計する。
6つのベンチマークデータセットに対する大規模な実験結果が提供され、MIMBがいくつかの最先端ベースラインと比較すると、かなり優れた結果が得られることが確認された。
関連論文リスト
- Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳(メタデータ) (2023-08-28T18:48:34Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳(メタデータ) (2023-07-26T16:19:19Z) - 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) - A Generalized Framework for Predictive Clustering and Optimization [18.06697544912383]
クラスタリングは強力で広く使われているデータサイエンスツールです。
本稿では,予測クラスタリングのための一般化最適化フレームワークを定義する。
また,大域的最適化のためにMILP(mixed-integer linear programming)を利用する共同最適化手法を提案する。
論文 参考訳(メタデータ) (2023-05-07T19:56:51Z) - Information Recovery-Driven Deep Incomplete Multiview Clustering Network [23.67037641931882]
本稿では,RecFormerと呼ばれる情報回復駆動型深層不完全なマルチビュークラスタリングネットワークを提案する。
自己アテンション構造を持つ2段階のオートエンコーダネットワークを構築し、複数のビューの高レベルなセマンティック表現を同期的に抽出し、欠落したデータを復元する。
我々は、復元されたビューを巧みに活用し、表現学習とさらなるデータ再構成を促進するために、繰り返しグラフ再構成機構を開発する。
論文 参考訳(メタデータ) (2023-04-02T02:36:30Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳(メタデータ) (2022-11-03T08:18:27Z) - 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) - Localized Sparse Incomplete Multi-view Clustering [22.009806900278786]
本稿では,ローカライズされたスパース不完全なマルチビュークラスタリング(LSIMVC)という,シンプルだが効果的な手法を提案する。
このような問題に対処するために,ローカライズされたスパース不完全なマルチビュークラスタリング(LSIMVC)という,シンプルだが効果的な手法を提案する。
論文 参考訳(メタデータ) (2022-08-05T05:48:28Z) - Incremental Unsupervised Feature Selection for Dynamic Incomplete
Multi-view Data [16.48538951608735]
実際のアプリケーションでは、マルチビューデータは不完全であることが多い。
本稿では,不完全なマルチビューストリーミングデータに対して,インクリメンタルな不完全なマルチビュー非教師付き特徴選択法(I$2$MUFS)を提案する。
論文 参考訳(メタデータ) (2022-04-05T16:29:39Z) - Meta Clustering Learning for Large-scale Unsupervised Person
Re-identification [124.54749810371986]
メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。
MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。
提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
論文 参考訳(メタデータ) (2021-11-19T04:10:18Z) - 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)
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。