論文の概要: Probabilistically Aligned View-unaligned Clustering with Adaptive Template Selection

• arxiv url: http://arxiv.org/abs/2409.14882v1
• Date: Mon, 23 Sep 2024 10:30:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 20:39:08.796566
• Title: Probabilistically Aligned View-unaligned Clustering with Adaptive Template Selection
• Title（参考訳）: 適応テンプレート選択による確率的アライメント型ビューアンアライメントクラスタリング
• Authors: Wenhua Dong, Xiao-Jun Wu, Zhenhua Feng, Sara Atito, Muhammad Awais, Josef Kittler,
• Abstract要約: 異なる視点から同一ターゲットのインスタンス間でのクロスビュー対応(CVC)は、一貫した表現を熱心に導き出すための重要な前提条件である。 本稿では、ビューアンアライメントクラスタリングのための二部グラフパラダイムに置換導出手法を統合することを提案する。 具体的には、両部グラフで一貫したアンカーとビュー固有グラフを学習し、不整合グラフに適用した置換を導出する。
• 参考スコア（独自算出の注目度）: 32.10307592690486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In most existing multi-view modeling scenarios, cross-view correspondence (CVC) between instances of the same target from different views, like paired image-text data, is a crucial prerequisite for effortlessly deriving a consistent representation. Nevertheless, this premise is frequently compromised in certain applications, where each view is organized and transmitted independently, resulting in the view-unaligned problem (VuP). Restoring CVC of unaligned multi-view data is a challenging and highly demanding task that has received limited attention from the research community. To tackle this practical challenge, we propose to integrate the permutation derivation procedure into the bipartite graph paradigm for view-unaligned clustering, termed Probabilistically Aligned View-unaligned Clustering with Adaptive Template Selection (PAVuC-ATS). Specifically, we learn consistent anchors and view-specific graphs by the bipartite graph, and derive permutations applied to the unaligned graphs by reformulating the alignment between two latent representations as a 2-step transition of a Markov chain with adaptive template selection, thereby achieving the probabilistic alignment. The convergence of the resultant optimization problem is validated both experimentally and theoretically. Extensive experiments on six benchmark datasets demonstrate the superiority of the proposed PAVuC-ATS over the baseline methods.
• Abstract（参考訳）: 多くの既存のマルチビューモデリングシナリオでは、ペア化された画像テキストデータのような異なるビューから同じターゲットのインスタンス間のクロスビュー対応(CVC)が、一貫した表現を熱心に導き出すための重要な前提条件である。 しかしながら、この前提はしばしば特定のアプリケーションにおいて妥協され、それぞれのビューは独立して組織化され、伝達され、ビューアンアライメント問題(VuP)が生じる。 不整合なマルチビューデータのCVCの復元は、研究コミュニティから限られた注目を集めている課題であり、非常に要求の多い作業である。 このような現実的な課題に対処するために,適応テンプレート選択(PAVuC-ATS)を用いた確率的にアライメントされたビューアンアライメントクラスタリング(Probabilistally Aligned View-unaligned Clustering with Adaptive Template Selection)と呼ばれる,ビューアンアライメントクラスタリングのための二部グラフパラダイムに置換導出手順を統合することを提案する。 具体的には、両部グラフで一貫したアンカーとビュー固有グラフを学習し、2つの潜在表現間のアライメントを適応的テンプレート選択でマルコフ連鎖の2段階遷移として再構成し、確率的アライメントを達成することにより、アンカーを非整列グラフに適用する。 結果の最適化問題の収束性は、実験的および理論的に検証される。 6つのベンチマークデータセットに対する大規模な実験は、ベースライン法よりも提案されたPAVuC-ATSの方が優れていることを示した。

関連論文リスト

• Self Supervised Correlation-based Permutations for Multi-View Clustering [7.972599673048582]
  汎用データのためのエンドツーエンドのディープラーニングベースのMVCフレームワークを提案する。 我々のアプローチは、新しい置換に基づく正準相関目標を用いて有意義な融合データ表現を学習することである。 10つのMVCベンチマークデータセットを用いて、モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-26T08:08:30Z)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
  本稿では,新しいアンカーグラフ学習フレームワークを提案する。 ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。 提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
  論文  参考訳（メタデータ） (2023-08-31T08:30:26Z)
• 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)
• Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment [50.82982601256481]
  深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。 従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
  論文  参考訳（メタデータ） (2023-03-28T02:31:57Z)
• Align then Fusion: Generalized Large-scale Multi-view Clustering with Anchor Matching Correspondences [53.09276639185084]
  マルチビューアンカーグラフクラスタリングは、完全なペアワイド類似性を避けるために代表アンカーを選択する。 既存のアプローチでは、ビューをまたいだアンカーセット間の正しい対応を確立するのに十分な注意を払わない。
  論文  参考訳（メタデータ） (2022-05-30T13:07:40Z)
• 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)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)

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。