論文の概要: Incomplete Multi-view Multi-label Classification via a Dual-level Contrastive Learning Framework

• arxiv url: http://arxiv.org/abs/2411.18267v1
• Date: Wed, 27 Nov 2024 12:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:26:35.961692
• Title: Incomplete Multi-view Multi-label Classification via a Dual-level Contrastive Learning Framework
• Title（参考訳）: Dual-level Contrastive Learning Frameworkによる不完全なマルチビューマルチラベル分類
• Authors: Bingyan Nie, Wulin Xie, Jiang Long, Xiaohuan Lu,
• Abstract要約: 本稿では,二重欠落多視点多ラベル分類の課題を解決するために,両レベルコントラスト学習フレームワークを提案する。 いくつかの広く使用されているベンチマークデータセットの実験により、提案手法はより安定し、より優れた分類性能を有することが示された。
• 参考スコア（独自算出の注目度）: 1.224954637705144
• License:
• Abstract: Recently, multi-view and multi-label classification have become significant domains for comprehensive data analysis and exploration. However, incompleteness both in views and labels is still a real-world scenario for multi-view multi-label classification. In this paper, we seek to focus on double missing multi-view multi-label classification tasks and propose our dual-level contrastive learning framework to solve this issue. Different from the existing works, which couple consistent information and view-specific information in the same feature space, we decouple the two heterogeneous properties into different spaces and employ contrastive learning theory to fully disentangle the two properties. Specifically, our method first introduces a two-channel decoupling module that contains a shared representation and a view-proprietary representation to effectively extract consistency and complementarity information across all views. Second, to efficiently filter out high-quality consistent information from multi-view representations, two consistency objectives based on contrastive learning are conducted on the high-level features and the semantic labels, respectively. Extensive experiments on several widely used benchmark datasets demonstrate that the proposed method has more stable and superior classification performance.
• Abstract（参考訳）: 近年,多視点・多ラベル分類は包括的データ分析と探索において重要な領域となっている。 しかし、ビューとラベルの両面での不完全性は、マルチビューのマルチラベル分類の現実的なシナリオである。 本稿では,多視点マルチラベル分類タスクの二重欠落に着目し,この問題を解決するための2段階コントラスト学習フレームワークを提案する。 同じ特徴空間における一貫した情報とビュー固有の情報を結合する既存の研究とは違い、2つの不均一な性質を異なる空間に分離し、対照的な学習理論を用いて2つの特性を完全に分離する。 具体的には、まず、共有表現とビュープロプライエタリ表現を含む2チャネルデカップリングモジュールを導入し、すべてのビューの一貫性と相補性情報を効果的に抽出する。 第2に、多視点表現から高品質な一貫した情報を効率的にフィルタリングするために、高レベル特徴量とセマンティックラベルに基づいてコントラスト学習に基づく2つの一貫した目的をそれぞれ行う。 いくつかの広く使われているベンチマークデータセットに対する大規模な実験により、提案手法はより安定し、より優れた分類性能を有することが示された。

関連論文リスト

• DualCoOp++: Fast and Effective Adaptation to Multi-Label Recognition with Limited Annotations [79.433122872973]
  低ラベル体制における多ラベル画像認識は、大きな課題と実践的重要性の課題である。 我々は、何百万もの補助的な画像テキストペアで事前訓練されたテキストと視覚的特徴の強力なアライメントを活用する。 Evidence-guided Dual Context Optimization (DualCoOp++) という,効率的かつ効果的なフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-08-03T17:33:20Z)
• Disentangling Multi-view Representations Beyond Inductive Bias [32.15900989696017]
  本稿では,表現の解釈可能性と一般化性を両立させる新しい多視点表現分離手法を提案する。 提案手法は,クラスタリングと分類性能において,12種類の比較手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T09:09:28Z)
• Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
  本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• DICNet: Deep Instance-Level Contrastive Network for Double Incomplete Multi-View Multi-Label Classification [20.892833511657166]
  実世界におけるマルチビューマルチラベルデータは、データ収集や手動アノテーションの不確実性のため、一般的に不完全である。 本稿では,DICNetという深層インスタンスレベルのコントラストネットワークを提案し,二重不完全なマルチラベル分類問題に対処する。 我々のDICNetは、マルチビュー多ラベルデータの一貫した識別的表現を捉え、欠落したビューと欠落したラベルの負の影響を避けることに長けている。
  論文  参考訳（メタデータ） (2023-03-15T04:24:01Z)
• Incomplete Multi-View Multi-Label Learning via Label-Guided Masked View- and Category-Aware Transformers [19.720564730308993]
  本稿では,ラベル誘導型マスマスキングとカテゴリ認識型トランスフォーマという,多視点多言語学習フレームワークを提案する。 ビュー間の表現力の不均衡を考慮すると、ビュー一貫性の埋め込み特徴を得るために適応的に重み付けされたビュー融合モジュールが提案される。
  論文  参考訳（メタデータ） (2023-03-13T15:22:50Z)
• 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)
• Dual Representation Learning for One-Step Clustering of Multi-View Data [30.131568561100817]
  異なるビューの共通情報と特定情報の二重表現を利用して,新しい一段階のマルチビュークラスタリング手法を提案する。 このフレームワークでは、表現学習とクラスタリングのパーティションが相互に恩恵を受け、クラスタリングのパフォーマンスが効果的に向上する。
  論文  参考訳（メタデータ） (2022-08-30T14:20:26Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
  コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。 完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-24T15:00:47Z)
• Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning [70.67092105994598]
  本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。 特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。 6つの公開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） (2020-07-13T01:13:23Z)

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。