論文の概要: Fast Disentangled Slim Tensor Learning for Multi-view Clustering
- arxiv url: http://arxiv.org/abs/2411.07685v1
- Date: Tue, 12 Nov 2024 09:57:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-13 13:18:31.733752
- Title: Fast Disentangled Slim Tensor Learning for Multi-view Clustering
- Title（参考訳）: 多視点クラスタリングのための高速遠方スリムテンソル学習
- Authors: Deng Xu, Chao Zhang, Zechao Li, Chunlin Chen, Huaxiong Li,
- Abstract要約: 本稿では,マルチビュークラスタリングのための高速離散スリム学習法(DSTL)を提案する。
頑健なPCAにインスパイアされた特徴冗長性の負の影響を軽減するため、DSTLは、潜在する低次元表現を、各ビューに対する意味的非関連部分と意味的関連部分に分解する。
提案手法は計算効率が高く,効果的に解ける。
- 参考スコア（独自算出の注目度）: 28.950845031752927
- License:
- Abstract: Tensor-based multi-view clustering has recently received significant attention due to its exceptional ability to explore cross-view high-order correlations. However, most existing methods still encounter some limitations. (1) Most of them explore the correlations among different affinity matrices, making them unscalable to large-scale data. (2) Although some methods address it by introducing bipartite graphs, they may result in sub-optimal solutions caused by an unstable anchor selection process. (3) They generally ignore the negative impact of latent semantic-unrelated information in each view. To tackle these issues, we propose a new approach termed fast Disentangled Slim Tensor Learning (DSTL) for multi-view clustering . Instead of focusing on the multi-view graph structures, DSTL directly explores the high-order correlations among multi-view latent semantic representations based on matrix factorization. To alleviate the negative influence of feature redundancy, inspired by robust PCA, DSTL disentangles the latent low-dimensional representation into a semantic-unrelated part and a semantic-related part for each view. Subsequently, two slim tensors are constructed with tensor-based regularization. To further enhance the quality of feature disentanglement, the semantic-related representations are aligned across views through a consensus alignment indicator. Our proposed model is computationally efficient and can be solved effectively. Extensive experiments demonstrate the superiority and efficiency of DSTL over state-of-the-art approaches. The code of DSTL is available at https://github.com/dengxu-nju/DSTL.
- Abstract（参考訳）: テンソルをベースとしたマルチビュークラスタリングが最近注目されている。
しかし、既存のほとんどのメソッドにはいくつかの制限がある。
1) それらの多くは異なる親和性行列間の相関関係を探求しており, 大規模データには適用できない。
2) 両部グラフを導入してこの問題に対処する手法もあるが、不安定なアンカー選択プロセスによって生じる準最適解が得られる。
(3)各視点における潜在意味非関連情報の負の影響を概ね無視する。
これらの課題に対処するため,多視点クラスタリングのためのDSTL (Fast Disentangled Slim Tensor Learning) という新しい手法を提案する。
DSTLは多視点グラフ構造に焦点をあてるのではなく、行列分解に基づく多視点潜在意味表現の高次相関を直接探索する。
頑健なPCAにインスパイアされた特徴冗長性の負の影響を軽減するため、DSTLは、潜在する低次元表現を、各ビューに対する意味的非関連部分と意味的関連部分に分解する。
その後、2つのスリムテンソルがテンソルベースの正規化で構成される。
特徴のゆがみの質をさらに高めるために、セマンティック関連表現は、コンセンサスアライメントインジケータを通じて、ビュー間で整列される。
提案手法は計算効率が高く,効果的に解ける。
DSTLの最先端手法よりも優れた性能と効率性を示す実験が盛んである。
DSTLのコードはhttps://github.com/dengxu-nju/DSTLで公開されている。
関連論文リスト
- Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。
複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
論文 参考訳（メタデータ） (2024-04-01T03:23:55Z) - S^2MVTC: a Simple yet Efficient Scalable Multi-View Tensor Clustering [38.35594663863098]
6つの大規模マルチビューデータセットの実験結果から、S2MVTCはクラスタリング性能とCPU実行時間において、最先端のアルゴリズムを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-14T05:00:29Z) - Deep Contrastive Multi-view Clustering under Semantic Feature Guidance [8.055452424643562]
本稿では,Semantic Feature Guide (DCMCS) の下で,Deep Contrastive Multi-view Clustering という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。
意味的類似性によって重み付けされたインスタンスレベルのコントラスト損失を最小化することにより、DCMCSは偽陰対間のコントラストの傾きを適応的に弱める。
いくつかの公開データセットの実験結果は、提案したフレームワークが最先端の手法より優れていることを示している。
論文 参考訳（メタデータ） (2024-03-09T02:33:38Z) - Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。
このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。
公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-05-22T03:27:46Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳（メタデータ） (2023-03-29T14:54:19Z) - 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) - Subspace-Contrastive Multi-View Clustering [0.0]
本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。
ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。
提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
論文 参考訳（メタデータ） (2022-10-13T07:19:37Z) - 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) - Improved Dual Correlation Reduction Network [40.792587861237166]
改良二重相関低減ネットワーク(IDCRN)と呼ばれる新しいディープグラフクラスタリングアルゴリズムを提案する。
クロスビュー特徴相関行列をアイデンティティ行列に近似することにより、特徴の異なる次元間の冗長性を低減できる。
また,グラフ畳み込みネットワーク(GCN)における過度にスムースな問題による表現の崩壊を,伝播正規化項によって回避する。
論文 参考訳（メタデータ） (2022-02-25T07:48:32Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z)
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。