論文の概要: Discriminative Anchor Learning for Efficient Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2409.16904v1
• Date: Wed, 25 Sep 2024 13:11:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 03:45:10.454611
• Title: Discriminative Anchor Learning for Efficient Multi-view Clustering
• Title（参考訳）: 効率的なマルチビュークラスタリングのための識別アンカー学習
• Authors: Yalan Qin, Nan Pu, Hanzhou Wu, Nicu Sebe,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.11406089896875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering aims to study the complementary information across views and discover the underlying structure. For solving the relatively high computational cost for the existing approaches, works based on anchor have been presented recently. Even with acceptable clustering performance, these methods tend to map the original representation from multiple views into a fixed shared graph based on the original dataset. However, most studies ignore the discriminative property of the learned anchors, which ruin the representation capability of the built model. Moreover, the complementary information among anchors across views is neglected to be ensured by simply learning the shared anchor graph without considering the quality of view-specific anchors. In this paper, we propose discriminative anchor learning for multi-view clustering (DALMC) for handling the above issues. We learn discriminative view-specific feature representations according to the original dataset and build anchors from different views based on these representations, which increase the quality of the shared anchor graph. The discriminative feature learning and consensus anchor graph construction are integrated into a unified framework to improve each other for realizing the refinement. The optimal anchors from multiple views and the consensus anchor graph are learned with the orthogonal constraints. We give an iterative algorithm to deal with the formulated problem. Extensive experiments on different datasets show the effectiveness and efficiency of our method compared with other methods.
• Abstract（参考訳）: マルチビュークラスタリングは、ビュー間の相補的な情報を調べ、基盤となる構造を発見することを目的としている。 既存のアプローチの比較的高い計算コストを解決するために、アンカーに基づく研究が最近紹介されている。 クラスタリングのパフォーマンスは許容できるが、これらの手法は、複数のビューから元の表現を元のデータセットに基づいて固定された共有グラフにマッピングする傾向にある。 しかし、ほとんどの研究は、学習されたアンカーの識別特性を無視しており、構築されたモデルの表現能力を損なう。 さらに、ビューにまたがるアンカー間の補完情報は、ビュー固有のアンカーの品質を考慮せずに、共有アンカーグラフを単に学習することで確実にされる。 本稿では,上記の問題に対処する多視点クラスタリング(DALMC)のための識別的アンカー学習を提案する。 我々は、元のデータセットに従って識別的なビュー固有の特徴表現を学び、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により、共有アンカーグラフの品質が向上する。 識別的特徴学習とコンセンサスアンカーグラフ構築を統一されたフレームワークに統合し、改良を実現する。 複数のビューからの最適なアンカーとコンセンサスアンカーグラフは直交制約によって学習される。 定式化問題に対処する反復アルゴリズムを提案する。 異なるデータセットに対する大規模な実験は、他の手法と比較して、本手法の有効性と効率性を示している。

関連論文リスト

• Clustering-friendly Representation Learning for Enhancing Salient Features [2.184775414778289]
  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。
  論文  参考訳（メタデータ） (2024-08-09T06:27:19Z)
• 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)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習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,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• 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)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• 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)

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。