論文の概要: Bridging Gaps: Federated Multi-View Clustering in Heterogeneous Hybrid Views
- arxiv url: http://arxiv.org/abs/2410.09484v1
- Date: Sat, 12 Oct 2024 10:43:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 14:14:38.027809
- Title: Bridging Gaps: Federated Multi-View Clustering in Heterogeneous Hybrid Views
- Title（参考訳）: ブリッジングギャップ:異種ハイブリッドビューにおけるフェデレーションマルチビュークラスタリング
- Authors: Xinyue Chen, Yazhou Ren, Jie Xu, Fangfei Lin, Xiaorong Pu, Yang Yang,
- Abstract要約: フェデレートされたマルチビュークラスタリング(FedMVC)は、複数のクライアントに分散されたマルチビューデータのクラスタ構造を調べるために登場した。
異種ハイブリッドビューに関連する2つの課題を同時に解決する新しいFedMVCフレームワークを提案する。
提案手法はFedMVCにおける異種ハイブリッドビューを処理し,最先端の手法より優れる。
- 参考スコア（独自算出の注目度）: 16.440354614784507
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recently, federated multi-view clustering (FedMVC) has emerged to explore cluster structures in multi-view data distributed on multiple clients. Existing approaches often assume that clients are isomorphic and all of them belong to either single-view clients or multi-view clients. Despite their success, these methods also present limitations when dealing with practical FedMVC scenarios involving heterogeneous hybrid views, where a mixture of both single-view and multi-view clients exhibit varying degrees of heterogeneity. In this paper, we propose a novel FedMVC framework, which concurrently addresses two challenges associated with heterogeneous hybrid views, i.e., client gap and view gap. To address the client gap, we design a local-synergistic contrastive learning approach that helps single-view clients and multi-view clients achieve consistency for mitigating heterogeneity among all clients. To address the view gap, we develop a global-specific weighting aggregation method, which encourages global models to learn complementary features from hybrid views. The interplay between local-synergistic contrastive learning and global-specific weighting aggregation mutually enhances the exploration of the data cluster structures distributed on multiple clients. Theoretical analysis and extensive experiments demonstrate that our method can handle the heterogeneous hybrid views in FedMVC and outperforms state-of-the-art methods. The code is available at \url{https://github.com/5Martina5/FMCSC}.
- Abstract（参考訳）: 近年,フェデレートされたマルチビュークラスタリング(FedMVC)が出現し,複数のクライアントに分散したマルチビューデータのクラスタ構造を探索している。
既存のアプローチでは、クライアントは同型であり、それらすべてがシングルビュークライアントまたはマルチビュークライアントに属していると仮定することが多い。
それらの成功にもかかわらず、これらの手法は、単一ビューと複数ビューのクライアントの混合が異種性を示す異種ハイブリッドビューを含む実践的なFedMVCシナリオを扱う際の制限も提示する。
本稿では、異種ハイブリッドビュー、すなわちクライアントギャップとビューギャップに関連する2つの課題を同時に解決する新しいFedMVCフレームワークを提案する。
クライアントのギャップに対処するため,各クライアント間の不均一性を緩和するための一対一のビュークライアントと多対一のビュークライアントの整合性を実現するための,ローカル・シネジスティックなコントラスト学習アプローチを設計する。
ビューギャップに対処するために,ハイブリッドビューから補完的な特徴を学習するグローバルモデルを支援する,グローバル固有重み付けアグリゲーション手法を開発した。
ローカル・シネルジスティック・コントラスト学習とグローバルな重み付けアグリゲーションの相互作用は、複数のクライアントに分散したデータクラスタ構造の探索を強化する。
理論的解析と広範な実験により,FedMVCにおける異種ハイブリッドビューの処理が可能であり,最先端の手法より優れていることが示された。
コードは \url{https://github.com/5Martina5/FMCSC} で公開されている。
関連論文リスト
- Federated Incomplete Multi-View Clustering with Heterogeneous Graph Neural Networks [21.710283538891968]
フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータを使用したグローバルクラスタリングモデルを開発する可能性を提供する。
現在の手法は、ラベル情報がないことと、データプライバシの重要性が最重要視されているため、課題に直面している。
ヘテロジニアスグラフニューラルネットワーク(FIM-GNN)を用いたフェデレーション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。
論文 参考訳（メタデータ） (2024-06-12T07:16:00Z) - CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳（メタデータ） (2024-03-28T15:45:03Z) - Federated Deep Multi-View Clustering with Global Self-Supervision [51.639891178519136]
フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータからグローバルクラスタリングモデルを学習する可能性がある。
この設定では、ラベル情報は未知であり、データのプライバシを保持する必要がある。
本稿では,複数のクライアントから補完的なクラスタ構造をマイニングできる,新しい多視点クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2023-09-24T17:07:01Z) - 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) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳（メタデータ） (2022-08-25T05:47:39Z) - Deep Multi-View Semi-Supervised Clustering with Sample Pairwise
Constraints [10.226754903113164]
本稿では,ネットワークファインタニングにおける3種類の損失を協調的に最適化するDMSC法を提案する。
提案手法は,最先端のマルチビューやシングルビューの競合よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-10T08:51:56Z) - Locality Relationship Constrained Multi-view Clustering Framework [5.586948325488168]
局所性関連制約付きマルチビュークラスタリングフレームワーク(LRC-MCF)について述べる。
様々な視点の多様性、幾何学、コンセンサス、補完的な情報を探究することを目的としている。
LRC-MCFは、共通視点の局所性構造を見つける際に、異なる視点の重みを十分に考慮する。
論文 参考訳（メタデータ） (2021-07-11T15:45:10Z) - Deep Incomplete Multi-View Multiple Clusterings [41.43164409639238]
データビューと複数の共有表現を同時に補完する、深い不完全なマルチビュー多重クラスタリングフレームワークを導入する。
ベンチマークデータセットの実験では、DiMVMCは、多様性と品質の高い複数のクラスタリングの生成において、最先端の競合よりも優れていることが確認されている。
論文 参考訳（メタデータ） (2020-10-02T08:01:24Z) - Generative Partial Multi-View Clustering [133.36721417531734]
本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。
まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。
第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
論文 参考訳（メタデータ） (2020-03-29T17:48:27Z)
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。