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

• arxiv url: http://arxiv.org/abs/2407.01247v3
• Date: Thu, 16 Oct 2025 12:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.41724
• 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: Unpaired Multi-view Clustering (UMC) は、複数のビューにまたがって観察されるアンペア化サンプルを用いて、効果的なジョイントクラスタリングを実現することを目的としている。 マルチレベルクラスタリングと信頼性の高いビューガイダンスを統合したMRG-UMC(Multi-level Reliable Guidance for UMC)を提案する。 MRG-UMCは最先端のUMC法よりも優れており、マルチビューデータセットで平均12.95%のNMI改善を実現している。
• 参考スコア（独自算出の注目度）: 15.600038277342128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this thesis, we address the challenging problem of unpaired multi-view clustering (UMC), which aims to achieve effective joint clustering using unpaired samples observed across multiple views. Traditional incomplete multi-view clustering (IMC) methods typically rely on paired samples to capture complementary information between views. However, such strategies become impractical in the UMC due to the absence of paired samples. Although some researchers have attempted to address this issue by preserving consistent cluster structures across views, effectively mining such consistency remains challenging when the cluster structures {with low confidence}. Therefore, we propose a novel method, Multi-level Reliable Guidance for UMC (MRG-UMC), which integrates multi-level clustering and reliable view guidance to learn consistent and confident cluster structures from three perspectives. Specifically, inner-view multi-level clustering exploits high-confidence sample pairs across different levels to reduce the impact of boundary samples, resulting in more confident cluster structures. Synthesized-view alignment leverages a synthesized-view to mitigate cross-view discrepancies and promote consistency. Cross-view guidance employs a reliable view guidance strategy to enhance the clustering confidence of poorly clustered views. These three modules are jointly optimized across multiple levels to achieve consistent and confident cluster structures. Furthermore, theoretical analyses verify the effectiveness of MRG-UMC in enhancing clustering confidence. Extensive experimental results show that MRG-UMC outperforms state-of-the-art UMC methods, achieving an average NMI improvement of 12.95\% on multi-view datasets. {The source code is available at: https://anonymous.4open.science/r/MRG-UMC-5E20.
• Abstract（参考訳）: 本論文では,複数視点で観測された未確認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,マルチビュークラスタリング(UMC)の課題に対処する。 従来の不完全なマルチビュークラスタリング(IMC)手法は、一般的に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している。 しかし、この戦略は UMC ではペアサンプルが欠如しているため実用的ではない。 一部の研究者は、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したが、クラスタ構造が低信頼である場合、そのような一貫性を効果的にマイニングすることは困難である。 そこで本稿では, マルチレベルクラスタリングと信頼性の高いビューガイダンスを統合し, 3つの視点から一貫性のあるクラスタ構造を学習する, MRG-UMC(Multi-level Reliable Guidance for UMC)を提案する。 特に、インナービューのマルチレベルクラスタリングでは、異なるレベルにわたる高信頼のサンプルペアを活用して、境界サンプルの影響を低減し、より信頼性の高いクラスタ構造を実現する。 合成ビューアライメントは、合成ビューを利用して、クロスビューの相違を緩和し、一貫性を促進する。 クロスビューガイダンスでは、貧弱なクラスタ化されたビューのクラスタリング信頼性を高めるために、信頼性の高いビューガイダンス戦略を採用している。 これら3つのモジュールは、一貫性と信頼性を備えたクラスタ構造を達成するために、複数のレベルにわたって共同で最適化されている。 さらに,MRG-UMCのクラスタリング信頼性向上効果を理論的に検証した。 MRG-UMCは最先端のUTC法よりも優れており、マルチビューデータセットで平均12.95倍のNMI改善を実現している。 https://anonymous.4open.science/r/MRG-UMC-5E20。

関連論文リスト

• Adversarial Fair Multi-View Clustering [7.650076926241037]
  本稿では,フェアネス学習を表現学習プロセスに統合した,対向的公正なマルチビュークラスタリング(AFMVC)フレームワークを提案する。 本フレームワークは,既存のマルチビュークラスタリングやフェアネスを意識したクラスタリング手法と比較して,優れたクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2025-08-06T04:07:08Z)
• Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning [65.75756724642932]
  不完全なマルチビュークラスタリングでは、欠落したデータがビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。 コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。 FreeCSLは、最先端の競合他社と比較して、IMVCタスクの信頼性と堅牢な割り当てを実現している。
  論文  参考訳（メタデータ） (2025-05-16T12:37:10Z)
• Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance [69.58609684008964]
  本稿では,distriBution dUal-Consistency Recovery Guidanceを用いた不完全なマルチビュークラスタリング手法であるBURGを提案する。 我々は,各サンプルを別カテゴリとして扱い,欠落したビューの分布空間を予測するために,クロスビュー配信を行う。 信頼性の高いカテゴリ情報の欠如を補うために,隣り合った整合性によって案内されるビュー内アライメントと,プロトタイプ的な整合性によって案内されるクロスビューアライメントを含む二重整合性ガイド付きリカバリ戦略を設計する。
  論文  参考訳（メタデータ） (2025-03-14T02:27:45Z)
• Structure-guided Deep Multi-View Clustering [13.593229506936682]
  深いマルチビュークラスタリングは、クラスタリング性能を改善するために、複数のビューから豊富な情報を活用することを目指している。 既存のクラスタリング手法の多くは、多視点構造情報の完全なマイニングを無視することが多い。 構造誘導型深層多視点クラスタリングモデルを提案し,多視点データの分布を探索する。
  論文  参考訳（メタデータ） (2025-01-17T12:42:30Z)
• 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。