論文の概要: CONDEN-FI: Consistency and Diversity Learning-based Multi-View Unsupervised Feature and In-stance Co-Selection
- arxiv url: http://arxiv.org/abs/2412.06568v1
- Date: Mon, 09 Dec 2024 15:24:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:53:44.336300
- Title: CONDEN-FI: Consistency and Diversity Learning-based Multi-View Unsupervised Feature and In-stance Co-Selection
- Title(参考訳): CONDEN-FI: Consistency and Diversity Learning-based Multi-View Unsupervised Feature and In-stance Co-Selection
- Authors: Yanyong Huang, Yuxin Cai, Dongjie Wang, Xiuwen Yi, Tianrui Li,
- Abstract要約: 我々はconsistency and DivErsity learNing-based multi-view unsupervised Feature and Instance co-selection (CONDEN-FI)を提案する。
CONDEN-FIは、サンプルと特徴空間の両方からmul-ti-viewデータを再構成し、ビュー間で一貫性があり、各ビューに特有の表現を学ぶ。
結果の最適化問題を解決するために,効率的なアルゴリズムを開発した。
- 参考スコア(独自算出の注目度): 8.985835077643953
- License:
- Abstract: The objective of multi-view unsupervised feature and instance co-selection is to simultaneously iden-tify the most representative features and samples from multi-view unlabeled data, which aids in mit-igating the curse of dimensionality and reducing instance size to improve the performance of down-stream tasks. However, existing methods treat feature selection and instance selection as two separate processes, failing to leverage the potential interactions between the feature and instance spaces. Addi-tionally, previous co-selection methods for multi-view data require concatenating different views, which overlooks the consistent information among them. In this paper, we propose a CONsistency and DivErsity learNing-based multi-view unsupervised Feature and Instance co-selection (CONDEN-FI) to address the above-mentioned issues. Specifically, CONDEN-FI reconstructs mul-ti-view data from both the sample and feature spaces to learn representations that are consistent across views and specific to each view, enabling the simultaneous selection of the most important features and instances. Moreover, CONDEN-FI adaptively learns a view-consensus similarity graph to help select both dissimilar and similar samples in the reconstructed data space, leading to a more diverse selection of instances. An efficient algorithm is developed to solve the resultant optimization problem, and the comprehensive experimental results on real-world datasets demonstrate that CONDEN-FI is effective compared to state-of-the-art methods.
- Abstract(参考訳): マルチビューアン教師機能とインスタンス共選択の目的は、マルチビューアンラベルデータから最も代表的な特徴とサンプルを同時に識別することである。
しかし、既存のメソッドは、機能選択とインスタンス選択を2つの別々のプロセスとして扱い、機能とインスタンス空間の間の潜在的な相互作用を活用できない。
オプションとして、従来のマルチビューデータの共選択手法では、異なるビューの連結が必要であり、その間の一貫性のある情報を見落としている。
本稿では,consistency and DivErsity learNing-based multi-view unsupervised Feature and Instance co-selection (CONDEN-FI)を提案する。
具体的には、ConDEN-FIは、サンプルと特徴空間の両方からmul-ti-viewデータを再構成し、ビュー間で一貫性があり、各ビューに固有の表現を学習し、最も重要な機能とインスタンスを同時に選択できるようにする。
さらに、CONDEN-FIはビュー・コンセンサス類似性グラフを適応的に学習し、再構成されたデータ空間における異種および類似したサンプルの選択を支援し、より多様なインスタンスの選択につながる。
実世界のデータセットの総合的な実験結果から,CONDEN-FIは最先端の手法と比較して有効であることを示す。
関連論文リスト
- Balanced Multi-view Clustering [56.17836963920012]
マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。
MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。
本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
論文 参考訳(メタデータ) (2025-01-05T14:42:47Z) - Unified View Imputation and Feature Selection Learning for Incomplete
Multi-view Data [13.079847265195127]
マルチビュー非教師付き特徴選択(MUFS)は、機械学習における次元性の低減に有効な技術である。
既存の方法は、一部のサンプルが欠落している不完全なマルチビューデータを直接処理することはできない。
UNIFIERは、サンプルと特徴空間の両方から類似性誘発グラフを適応的に学習することにより、マルチビューデータの局所構造を探索する。
論文 参考訳(メタデータ) (2024-01-19T08:26:44Z) - 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) - Incremental Unsupervised Feature Selection for Dynamic Incomplete
Multi-view Data [16.48538951608735]
実際のアプリケーションでは、マルチビューデータは不完全であることが多い。
本稿では,不完全なマルチビューストリーミングデータに対して,インクリメンタルな不完全なマルチビュー非教師付き特徴選択法(I$2$MUFS)を提案する。
論文 参考訳(メタデータ) (2022-04-05T16:29:39Z) - 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) - Random Forest for Dissimilarity-based Multi-view Learning [8.185807285320553]
本研究では、ランダムフォレスト近接測度を用いて、相似性表現を構築することができることを示す。
次に、ビュー固有の相似性表現をよりうまく組み合わせるための動的ビュー選択法を提案する。
論文 参考訳(メタデータ) (2020-07-16T14:52:52Z) - 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) - 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。