論文の概要: Balancing Complementarity and Consistency via Delayed Activation in Incomplete Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2407.17744v1
• Date: Thu, 25 Jul 2024 03:35:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 15:27:36.604088
• Title: Balancing Complementarity and Consistency via Delayed Activation in Incomplete Multi-view Clustering
• Title（参考訳）: 不完全なマルチビュークラスタリングにおける遅延活性化による相補性と一貫性のバランス
• Authors: Bo Li,
• Abstract要約: 我々は、異なる視点で相補性と一貫性のバランスをとるために、遅延活性化の二重ネットワークを設計する。 我々は,CoCo-IMCの有効性を,公開された4つのデータセットに対して,12の最先端ベースラインを用いた広範囲な比較実験で証明した。
• 参考スコア（独自算出の注目度）: 6.5297353311133755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper study one challenging issue in incomplete multi-view clustering, where valuable complementary information from other views is always ignored. To be specific, we propose a framework that effectively balances Complementarity and Consistency information in Incomplete Multi-view Clustering (CoCo-IMC). Specifically, we design a dual network of delayed activation, which achieves a balance of complementarity and consistency among different views. The delayed activation could enriches the complementarity information that was ignored during consistency learning. Then, we recover the incomplete information and enhance the consistency learning by minimizing the conditional entropy and maximizing the mutual information across different views. This could be the first theoretical attempt to incorporate delayed activation into incomplete data recovery and the balance of complementarity and consistency. We have proved the effectiveness of CoCo-IMC in extensive comparative experiments with 12 state-of-the-art baselines on four publicly available datasets.
• Abstract（参考訳）: 本稿では,他の視点からの貴重な補完情報が常に無視されるような,不完全なマルチビュークラスタリングにおける課題について考察する。 具体的には,不完全なマルチビュークラスタリング(CoCo-IMC)における相補性と一貫性情報を効果的にバランスさせるフレームワークを提案する。 具体的には、遅延活性化の2つのネットワークを設計し、異なる視点の相補性と一貫性のバランスを実現する。 遅れたアクティベーションは、一貫性学習中に無視された相補性情報を強化する可能性がある。 そして、条件エントロピーを最小化し、異なる視点で相互情報を最大化することにより、不完全情報を回復し、一貫性学習を強化する。 これは、遅延活性化を不完全なデータ回復と相補性と一貫性のバランスに組み込む最初の理論的試みかもしれない。 我々は,CoCo-IMCの有効性を,公開された4つのデータセットに対して,12の最先端ベースラインを用いた広範囲な比較実験で証明した。

関連論文リスト

• URRL-IMVC: Unified and Robust Representation Learning for Incomplete Multi-View Clustering [28.776476995363048]
  不完全なマルチビュークラスタリングのための統一表現学習(URRL-IMVC)を提案する。 URRL-IMVCは、複数のビューや隣接するサンプルからの情報を統合することで、失われた状態を見るのに堅牢な統合埋め込みを直接学習する。 提案するURRL-IMVCフレームワークを様々なベンチマークデータセット上で広範囲に評価し,その最先端性能を実証した。
  論文  参考訳（メタデータ） (2024-07-12T09:35:25Z)
• 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)
• 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)
• Modeling Multiple Views via Implicitly Preserving Global Consistency and Local Complementarity [61.05259660910437]
  複数の視点から表現を学習するために,グローバルな一貫性と相補性ネットワーク(CoCoNet)を提案する。 グローバルな段階では、重要な知識はビュー間で暗黙的に共有され、そのような知識を捕捉するためのエンコーダの強化は、学習された表現の識別性を向上させることができる。 最後に、局所的な段階において、横断的な識別的知識を結合する相補的要素を提案し、また、エンコーダが視点的識別性だけでなく、横断的な相補的情報も学習するように誘導する。
  論文  参考訳（メタデータ） (2022-09-16T09:24:00Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• Incomplete Multi-view Clustering via Cross-view Relation Transfer [41.17336912278538]
  クロスビュー・リレーション・トランスファーとマルチビュー・フュージョン・ラーニングを組み合わせた,新しい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。 複数の実データを用いて実験を行い,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-12-01T14:28:15Z)
• Unbalanced Incomplete Multi-view Clustering via the Scheme of View Evolution: Weak Views are Meat; Strong Views do Eat [59.77141155608009]
  不均衡不完全なマルチビュークラスタリング法(UIMC)は、不均衡不完全なマルチビュークラスタリングのためのビュー進化に基づく、最初の効果的な方法である。 UIMCは、他の最先端メソッドよりも3つの評価指標において、クラスタリングのパフォーマンスを最大40%改善する。
  論文  参考訳（メタデータ） (2020-11-20T08:00:25Z)
• Deep Partial Multi-View Learning [94.39367390062831]
  クロスパーシャル・マルチビュー・ネットワーク(CPM-Nets)と呼ばれる新しいフレームワークを提案する。 我々はまず、多視点表現に対する完全性と汎用性の形式的な定義を提供する。 そして、理論的に学習された潜在表現の多元性を証明する。
  論文  参考訳（メタデータ） (2020-11-12T02:29:29Z)
• Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
  本稿では,最適コンセンサスを近似する凝集分析法を提案する。 本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
  論文  参考訳（メタデータ） (2020-05-12T05:39:10Z)

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。