論文の概要: Multi-level Reliable Guidance for Unpaired Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2407.01247v2
• Date: Tue, 2 Jul 2024 09:55:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 21:39:54.707963
• Title: Multi-level Reliable Guidance for Unpaired Multi-view Clustering
• Title（参考訳）: マルチビュークラスタリングのためのマルチレベル信頼性誘導
• Authors: Like Xin, Wanqi Yang, Lei Wang, Ming Yang,
• Abstract要約: 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。
• 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: In this paper, we address the challenging problem of unpaired multi-view clustering (UMC), aiming to perform effective joint clustering using unpaired observed samples across multiple views. Commonly, traditional incomplete multi-view clustering (IMC) methods often depend on paired samples to capture complementary information between views. However, the strategy becomes impractical in UMC due to the absence of paired samples. Although some researchers have attempted to tackle the issue by preserving consistent cluster structures across views, they frequently neglect the confidence of these cluster structures, especially for boundary samples and uncertain cluster structures during the initial training. Therefore, we propose a method called Multi-level Reliable Guidance for UMC (MRG-UMC), which leverages multi-level clustering to aid in learning a trustworthy cluster structure across inner-view, cross-view, and common-view, respectively. Specifically, within each view, multi-level clustering fosters a trustworthy cluster structure across different levels and reduces clustering error. In cross-view learning, reliable view guidance enhances the confidence of the cluster structures in other views. Similarly, within the multi-level framework, the incorporation of a common view aids in aligning different views, thereby reducing the clustering error and uncertainty of cluster structure. Finally, as evidenced by extensive experiments, our method for UMC demonstrates significant efficiency improvements compared to 20 state-of-the-art methods.
• Abstract（参考訳）: 本稿では,複数視点にまたがる無ペア観測サンプルを用いた効果的な共同クラスタリングを実現することを目的とした,無ペア多視点クラスタリング(UMC)の課題に対処する。 一般的に、従来の不完全なマルチビュークラスタリング(IMC)手法は、ビュー間の相補的な情報を取得するためにペア化されたサンプルに依存することが多い。 しかし、UMCではペアサンプルが存在しないため、この戦略は実用的ではない。 ビュー全体にわたって一貫したクラスタ構造を保存することでこの問題に対処しようとする研究者もいるが、最初のトレーニング中に境界サンプルや不確実なクラスタ構造に対して、これらのクラスタ構造の信頼性をしばしば無視する。 そこで我々は,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,コモンビューにまたがる信頼性の高いクラスタ構造を学習する,MRG-UMC (Multi-level Reliable Guidance for UMC) と呼ばれる手法を提案する。 具体的には、各ビューにおいて、マルチレベルクラスタリングは、さまざまなレベルにわたる信頼できるクラスタ構造を育み、クラスタリングエラーを低減する。 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。 同様に、マルチレベルフレームワーク内では、共通のビューの組み入れは、異なるビューの整合を助長し、クラスタリングエラーとクラスタ構造の不確実性を低減します。 最後に, 広範囲な実験によって証明されたように, UMC法は20種類の最先端手法と比較して, 大幅な効率向上を示した。

関連論文リスト

• Unpaired Multi-view Clustering via Reliable View Guidance [7.441454668534061]
  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。
  論文  参考訳（メタデータ） (2024-04-27T13:03:57Z)
• 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)
• 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)
• MCoCo: Multi-level Consistency Collaborative Multi-view Clustering [15.743056561394612]
  マルチビュークラスタリングは、異なるビューからの一貫性のある情報を調べて、クラスタリングをガイドする。 マルチビュークラスタリングのための新しいMCoCo(Multi-level Consistency Collaborative Learning framework)を提案する。
  論文  参考訳（メタデータ） (2023-02-26T16:08:53Z)
• 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)
• 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)
• Locality Relationship Constrained Multi-view Clustering Framework [5.586948325488168]
  局所性関連制約付きマルチビュークラスタリングフレームワーク(LRC-MCF)について述べる。 様々な視点の多様性、幾何学、コンセンサス、補完的な情報を探究することを目的としている。 LRC-MCFは、共通視点の局所性構造を見つける際に、異なる視点の重みを十分に考慮する。
  論文  参考訳（メタデータ） (2021-07-11T15:45:10Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• 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。