論文の概要: Federated Incomplete Multi-View Clustering with Heterogeneous Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2406.08524v1
• Date: Wed, 12 Jun 2024 07:16:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 22:37:00.730937
• Title: Federated Incomplete Multi-View Clustering with Heterogeneous Graph Neural Networks
• Title（参考訳）: 不均一グラフニューラルネットワークによるフェデレーション不完全なマルチビュークラスタリング
• Authors: Xueming Yan, Ziqi Wang, Yaochu Jin,
• Abstract要約: フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータを使用したグローバルクラスタリングモデルを開発する可能性を提供する。 現在の手法は、ラベル情報がないことと、データプライバシの重要性が最重要視されているため、課題に直面している。 ヘテロジニアスグラフニューラルネットワーク(FIM-GNN)を用いたフェデレーション不完全なマルチビュークラスタリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.710283538891968
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated multi-view clustering offers the potential to develop a global clustering model using data distributed across multiple devices. However, current methods face challenges due to the absence of label information and the paramount importance of data privacy. A significant issue is the feature heterogeneity across multi-view data, which complicates the effective mining of complementary clustering information. Additionally, the inherent incompleteness of multi-view data in a distributed setting can further complicate the clustering process. To address these challenges, we introduce a federated incomplete multi-view clustering framework with heterogeneous graph neural networks (FIM-GNNs). In the proposed FIM-GNNs, autoencoders built on heterogeneous graph neural network models are employed for feature extraction of multi-view data at each client site. At the server level, heterogeneous features from overlapping samples of each client are aggregated into a global feature representation. Global pseudo-labels are generated at the server to enhance the handling of incomplete view data, where these labels serve as a guide for integrating and refining the clustering process across different data views. Comprehensive experiments have been conducted on public benchmark datasets to verify the performance of the proposed FIM-GNNs in comparison with state-of-the-art algorithms.
• Abstract（参考訳）: フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータを使用したグローバルクラスタリングモデルを開発する可能性を提供する。 しかし,ラベル情報の欠如とデータプライバシの重要さにより,現在の手法では課題に直面している。 重要な問題は、補完的なクラスタリング情報の効果的なマイニングを複雑にするマルチビューデータ間の特徴の不均一性である。 さらに、分散環境でのマルチビューデータの固有の不完全性は、クラスタリングプロセスをさらに複雑にする可能性がある。 これらの課題に対処するために、異種グラフニューラルネットワーク(FIM-GNN)を用いたフェデレーション不完全なマルチビュークラスタリングフレームワークを導入する。 提案するFIM-GNNでは,異種グラフニューラルネットワークモデル上に構築されたオートエンコーダを用いて,各クライアントサイトにおけるマルチビューデータの特徴抽出を行う。 サーバレベルでは、各クライアントの重複するサンプルからの異種機能がグローバルな特徴表現に集約されます。 グローバルな擬似ラベルはサーバで生成され、不完全なビューデータの処理を強化する。 提案したFIM-GNNの性能を、最先端のアルゴリズムと比較して検証するために、公開ベンチマークデータセットで包括的な実験が行われた。

関連論文リスト

• 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)
• Federated Deep Multi-View Clustering with Global Self-Supervision [51.639891178519136]
  フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータからグローバルクラスタリングモデルを学習する可能性がある。 この設定では、ラベル情報は未知であり、データのプライバシを保持する必要がある。 本稿では,複数のクライアントから補完的なクラスタ構造をマイニングできる,新しい多視点クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-24T17:07:01Z)
• Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
  本稿では,新しいアンカーグラフ学習フレームワークを提案する。 ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。 提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
  論文  参考訳（メタデータ） (2023-08-31T08:30:26Z)
• Self-supervised Image Clustering from Multiple Incomplete Views via Constrastive Complementary Generation [5.314364096882052]
  我々は、CIMIC-GAN(Generative Adversarial Networks)を用いたコントラスト不完全なマルチビュー画像クラスタリングを提案する。 完全および不完全データの自己エンコーディング表現を二重コントラスト学習に組み込んで学習一貫性を実現する。 テキストカラーブラックフールを用いた実験により、CIMIC-GANは最先端の非完全なマルチビュークラスタリング法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-24T05:08:34Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• 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)
• Multi-view Subspace Clustering Networks with Local and Global Graph Information [19.64977233324484]
  本研究の目的は、異なる分野や測定値から収集されたデータの基盤となるグループ構造を検討することである。 我々は,MSCNLGと呼ばれる局所グラフ情報とグローバルグラフ情報を備えた,新しいマルチビューサブスペースクラスタリングネットワークを提案する。 エンド・ツー・エンドのトレーニング可能なフレームワークとして、提案手法は複数のビューの貴重な情報を完全に調査する。
  論文  参考訳（メタデータ） (2020-10-19T09:00:19Z)
• Deep Incomplete Multi-View Multiple Clusterings [41.43164409639238]
  データビューと複数の共有表現を同時に補完する、深い不完全なマルチビュー多重クラスタリングフレームワークを導入する。 ベンチマークデータセットの実験では、DiMVMCは、多様性と品質の高い複数のクラスタリングの生成において、最先端の競合よりも優れていることが確認されている。
  論文  参考訳（メタデータ） (2020-10-02T08:01:24Z)
• 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。