論文の概要: Clustering-friendly Representation Learning for Enhancing Salient Features

• arxiv url: http://arxiv.org/abs/2408.04891v1
• Date: Fri, 9 Aug 2024 06:27:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 16:28:59.499259
• Title: Clustering-friendly Representation Learning for Enhancing Salient Features
• Title（参考訳）: クラスタリング・フレンドリな表現学習による有能な特徴の強化
• Authors: Toshiyuki Oshima, Kentaro Takagi, Kouta Nakata,
• Abstract要約: 本稿では、下流タスクとして教師なし画像クラスタリングに焦点を当てる。 クラスタリングフレンドリーなコントラスト学習手法を拡張し,コントラスト分析手法を取り入れた。 すべてのデータセットに対して,従来のコントラスト解析やディープクラスタリング手法と比較して,高いクラスタリングスコアを達成する。
• 参考スコア（独自算出の注目度）: 2.184775414778289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, representation learning with contrastive learning algorithms has been successfully applied to challenging unlabeled datasets. However, these methods are unable to distinguish important features from unimportant ones under simply unsupervised settings, and definitions of importance vary according to the type of downstream task or analysis goal, such as the identification of objects or backgrounds. In this paper, we focus on unsupervised image clustering as the downstream task and propose a representation learning method that enhances features critical to the clustering task. We extend a clustering-friendly contrastive learning method and incorporate a contrastive analysis approach, which utilizes a reference dataset to separate important features from unimportant ones, into the design of loss functions. Conducting an experimental evaluation of image clustering for three datasets with characteristic backgrounds, we show that for all datasets, our method achieves higher clustering scores compared with conventional contrastive analysis and deep clustering methods.
• Abstract（参考訳）: 近年,比較学習アルゴリズムを用いた表現学習が,ラベルなしデータセットへの挑戦に成功している。 しかし、これらの手法は、単純な教師なし設定下で重要でない特徴と区別することができず、重要度の定義は、オブジェクトや背景の識別など、下流タスクのタイプや分析目標によって異なる。 本稿では、下流タスクとしての教師なし画像クラスタリングに着目し、クラスタリングタスクに不可欠な機能を強化する表現学習手法を提案する。 クラスタリングに親しみやすいコントラスト学習手法を拡張し,参照データセットを用いて重要な特徴を重要でないものから分離するコントラスト分析手法を,損失関数の設計に取り入れた。 特徴的背景を持つ3つのデータセットに対する画像クラスタリングを実験的に評価した結果,従来のコントラスト解析や深層クラスタリング手法と比較して,全てのデータセットに対して高いクラスタリングスコアが得られた。

関連論文リスト

• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• 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)
• Seeking the Truth Beyond the Data. An Unsupervised Machine Learning Approach [0.0]
  クラスタリングは、ラベルのない要素/オブジェクトがグループ化される、教師なしの機械学習方法論である。 この記事では、最も広く使われているクラスタリング手法について詳しく説明する。 3つのデータセットに基づいて、これらのアルゴリズムのクラスタリング効率の比較を強調している。
  論文  参考訳（メタデータ） (2022-07-14T14:22:36Z)
• Self-Supervised Visual Representation Learning with Semantic Grouping [50.14703605659837]
  我々は、未ラベルのシーン中心のデータから視覚表現を学習する問題に取り組む。 本研究では,データ駆動型セマンティックスロット,すなわちSlotConによる協調型セマンティックグルーピングと表現学習のためのコントラスト学習を提案する。
  論文  参考訳（メタデータ） (2022-05-30T17:50:59Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Cluster Analysis with Deep Embeddings and Contrastive Learning [0.0]
  本研究は,深層埋め込みから画像クラスタリングを行うための新しいフレームワークを提案する。 提案手法では,クラスタセンターの表現をエンドツーエンドで学習し,予測する。 我々のフレームワークは広く受け入れられているクラスタリング手法と同等に動作し、CIFAR-10データセット上で最先端のコントラスト学習手法より優れています。
  論文  参考訳（メタデータ） (2021-09-26T22:18:15Z)
• Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
  本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。 提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-24T15:36:49Z)
• Learning the Precise Feature for Cluster Assignment [39.320210567860485]
  表現学習とクラスタリングを1つのパイプラインに初めて統合するフレームワークを提案する。 提案フレームワークは,近年開発された生成モデルを用いて,本質的な特徴を学習する能力を活用している。 実験の結果,提案手法の性能は,最先端の手法よりも優れているか,少なくとも同等であることがわかった。
  論文  参考訳（メタデータ） (2021-06-11T04:08:54Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Unsupervised Image Classification for Deep Representation Learning [42.09716669386924]
  埋め込みクラスタリングを使わずに、教師なしのイメージ分類フレームワークを提案する。 提案手法の有効性を証明するために,ImageNetデータセットの実験を行った。
  論文  参考訳（メタデータ） (2020-06-20T02:57:06Z)

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。