Fugu-MT 論文翻訳(概要): Dual Advancement of Representation Learning and Clustering for Sparse and Noisy Images

論文の概要: Dual Advancement of Representation Learning and Clustering for Sparse and Noisy Images

arxiv url: http://arxiv.org/abs/2409.01781v1
Date: Tue, 3 Sep 2024 10:52:27 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 02:01:57.469414
Title: Dual Advancement of Representation Learning and Clustering for Sparse and Noisy Images
Title（参考訳）: スパース・ノイズ画像における表現学習とクラスタリングの二重化
Authors: Wenlin Li, Yucheng Xu, Xiaoqing Zheng, Suoya Han, Jun Wang, Xiaobo Sun,
Abstract要約: SNI(Sparse and Noisy Image)は、効果的な表現学習とクラスタリングに重要な課題を提起する。本稿では、マスク画像モデリングから得られた表現を強化するために、DARLC(Dual Advancement of Representation Learning and Clustering)を提案する。我々のフレームワークは、局所的な認識性、特異性、関係意味論の理解を高めることによって、表現の学習を改善する包括的なアプローチを提供する。
参考スコア（独自算出の注目度）: 14.836487514037994
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Sparse and noisy images (SNIs), like those in spatial gene expression data, pose significant challenges for effective representation learning and clustering, which are essential for thorough data analysis and interpretation. In response to these challenges, we propose Dual Advancement of Representation Learning and Clustering (DARLC), an innovative framework that leverages contrastive learning to enhance the representations derived from masked image modeling. Simultaneously, DARLC integrates cluster assignments in a cohesive, end-to-end approach. This integrated clustering strategy addresses the "class collision problem" inherent in contrastive learning, thus improving the quality of the resulting representations. To generate more plausible positive views for contrastive learning, we employ a graph attention network-based technique that produces denoised images as augmented data. As such, our framework offers a comprehensive approach that improves the learning of representations by enhancing their local perceptibility, distinctiveness, and the understanding of relational semantics. Furthermore, we utilize a Student's t mixture model to achieve more robust and adaptable clustering of SNIs. Extensive experiments, conducted across 12 different types of datasets consisting of SNIs, demonstrate that DARLC surpasses the state-of-the-art methods in both image clustering and generating image representations that accurately capture gene interactions. Code is available at https://github.com/zipging/DARLC.
Abstract（参考訳）: 空間的遺伝子発現データと同様、スパース・ノイズ画像(SNI)は、効率的な表現学習とクラスタリングに重大な課題を生じさせ、完全なデータ解析と解釈に不可欠である。これらの課題に対応するために、コントラスト学習を利用してマスク画像モデリングから派生した表現を強化する革新的なフレームワークであるDARLC(Dual Advancement of Representation Learning and Clustering)を提案する。同時に、DARLCはクラスタ割り当てを結合的でエンドツーエンドなアプローチに統合する。この統合クラスタリング戦略は、対照的な学習に固有の「クラス衝突問題」に対処し、結果として得られる表現の質を向上させる。コントラスト学習のためのより有効な肯定的なビューを生成するために,画像のデノベートを付加データとして生成するグラフアテンションネットワークに基づく手法を用いる。このように、我々のフレームワークは、局所的な認識性、識別性、関係意味論の理解を高めることによって、表現の学習を改善する包括的なアプローチを提供する。さらに,学生のt混合モデルを用いて,より堅牢で適応可能なSNIクラスタリングを実現する。 SNIからなる12種類のデータセットで実施された大規模な実験は、DARLCが画像クラスタリングと遺伝子相互作用を正確にキャプチャする画像表現の両方において最先端の手法を上回ることを実証している。コードはhttps://github.com/zipging/DARLCで入手できる。

関連論文リスト

Grid Jigsaw Representation with CLIP: A New Perspective on Image Clustering [37.15595383168132]
GJR(Grid Jigsaw Representation)と呼ばれる、画像クラスタリングのためのJigsawベースの戦略手法。 GJRモジュールは、さまざまな深層畳み込みネットワークに付加され、幅広いベンチマークデータセットで大幅に改善された。実験の結果,ACC,NMI,ARIの3つの指標と超高速収束速度に対するクラスタリング作業の有効性が示された。
論文参考訳（メタデータ） (2023-10-27T03:07:05Z)
A Clustering-guided Contrastive Fusion for Multi-view Representation Learning [7.630965478083513]
本稿では、ビュー固有表現をビュー共通表現に融合する深層融合ネットワークを提案する。また、ビュー共通表現とビュー固有表現を一致させる非対称なコントラスト戦略を設計する。不完全な視点では,提案手法は競合相手よりもノイズ干渉に抵抗する。
論文参考訳（メタデータ） (2022-12-28T07:21:05Z)
GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
論文参考訳（メタデータ） (2022-12-07T10:19:39Z)
ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文参考訳（メタデータ） (2022-03-01T02:32:25Z)
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)
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)
Mixing Consistent Deep Clustering [3.5786621294068373]
良い潜在表現は、2つの潜在表現の線形を復号する際に意味的に混合出力を生成する。本稿では,表現をリアルに見せるための混合一貫性深層クラスタリング手法を提案する。提案手法は,クラスタリング性能を向上させるために,既存のオートエンコーダに付加可能であることを示す。
論文参考訳（メタデータ） (2020-11-03T19:47:06Z)
Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文参考訳（メタデータ） (2020-09-19T09:26:20Z)
Two-Level Adversarial Visual-Semantic Coupling for Generalized Zero-shot Learning [21.89909688056478]
トレーニング中に推論ネットワークを用いて生成ネットワークを増強する2段階のジョイントアイデアを提案する。これにより、ビジュアルドメインとセマンティックドメイン間の効果的な知識伝達のための強力な相互モーダル相互作用が提供される。提案手法は,4つのベンチマークデータセットに対して,いくつかの最先端手法に対して評価し,その性能を示す。
論文参考訳（メタデータ） (2020-07-15T15:34:09Z)
Clustering based Contrastive Learning for Improving Face Representations [34.75646290505793]
本稿では,クラスタリングに基づく新しい表現学習手法であるContrastive Learning (CCL)を提案する。 CCLは、ビデオ制約とともにクラスタリングから得られたラベルを使用して、非ネイティブな顔の特徴を学習する。
論文参考訳（メタデータ） (2020-04-05T13:11:44Z)
High-Fidelity Synthesis with Disentangled Representation [60.19657080953252]
本稿では,不整合学習と高忠実度合成のためのID-GAN(Information-Distillation Generative Adrial Network)を提案する。提案手法は, VAEモデルを用いて非交叉表現を学習し, 高忠実度合成のためのGAN生成器に追加のニュアンス変数で学習表現を蒸留する。単純さにもかかわらず,提案手法は高効率であり,不整合表現を用いた最先端の手法に匹敵する画像生成品質を実現する。
論文参考訳（メタデータ） (2020-01-13T14:39:40Z)

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。