論文の概要: Multi-view Clustering via Unified Multi-kernel Learning and Matrix Factorization

• arxiv url: http://arxiv.org/abs/2412.09065v1
• Date: Thu, 12 Dec 2024 08:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:31:44.728215
• Title: Multi-view Clustering via Unified Multi-kernel Learning and Matrix Factorization
• Title（参考訳）: 統一型マルチカーネル学習と行列分解によるマルチビュークラスタリング
• Authors: Chenxing Jia, Mingjie Cai, Hamido Fujita,
• Abstract要約: マルチビュークラスタリングがますます重要になっているのは、実世界のデータのマルチソース特性のためである。 本稿では,マルチカーネル学習と行列分解を組み合わせたマルチビュークラスタリング手法を提案する。
• 参考スコア（独自算出の注目度）: 11.524814447922225
• License:
• Abstract: Multi-view clustering has become increasingly important due to the multi-source character of real-world data. Among existing multi-view clustering methods, multi-kernel clustering and matrix factorization-based multi-view clustering have gained widespread attention as mainstream approaches. However, multi-kernel clustering tends to learn an optimal kernel and then perform eigenvalue decomposition on it, which leads to high computational complexity. Matrix factorization-based multi-view clustering methods impose orthogonal constraints on individual views. This overly emphasizes the accuracy of clustering structures within single views and restricts the learning of individual views. Based on this analysis, we propose a multi-view clustering method that integrates multi-kernel learning with matrix factorization. This approach combines the advantages of both multi-kernel learning and matrix factorization. It removes the orthogonal constraints on individual views and imposes orthogonal constraints on the consensus matrix, resulting in an accurate final clustering structure. Ultimately, the method is unified into a simple form of multi-kernel clustering, but avoids learning an optimal kernel, thus reducing the time complexity. Furthermore, we propose an efficient three-step optimization algorithm to achieve a locally optimal solution. Experiments on widely-used real-world datasets demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: マルチビュークラスタリングがますます重要になっているのは、実世界のデータのマルチソース特性のためである。 既存のマルチビュークラスタリング手法では,マルチカーネルクラスタリングと行列分解に基づくマルチビュークラスタリングが主流として注目されている。 しかし、マルチカーネルクラスタリングは最適なカーネルを学習し、その上で固有値分解を行う傾向にあり、高い計算複雑性をもたらす。 行列分解に基づくマルチビュークラスタリング手法は、個々のビューに直交制約を課す。 これは単一のビュー内のクラスタリング構造の精度を過度に強調し、個々のビューの学習を制限する。 そこで本研究では,マルチカーネル学習と行列分解を組み合わせたマルチビュークラスタリング手法を提案する。 このアプローチはマルチカーネル学習と行列分解の両方の利点を組み合わせたものである。 これは個々のビューに対する直交的制約を取り除き、コンセンサス行列に直交的制約を課し、正確な最終的なクラスタリング構造をもたらす。 最終的に、この方法はマルチカーネルクラスタリングの単純な形式に統一されるが、最適なカーネルの学習を避け、時間的複雑さを低減させる。 さらに,局所最適解を実現するために,効率的な3段階最適化アルゴリズムを提案する。 提案手法の有効性を実証するために,広く利用されている実世界のデータセットの実験を行った。

関連論文リスト

• One-Step Late Fusion Multi-view Clustering with Compressed Subspace [29.02032034647922]
  圧縮部分空間を用いたワンステップレイトフュージョンマルチビュークラスタリング(OS-LFMVC-CS)という統合フレームワークを提案する。 コンセンサス部分空間を用いて分割行列を整列し、分割融合を最適化し、融合分割行列を用いて離散ラベルの学習を指導する。
  論文  参考訳（メタデータ） (2024-01-03T06:18:30Z)
• One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
  本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。 そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T02:52:24Z)
• 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)
• 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)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Multi-view Clustering via Deep Matrix Factorization and Partition Alignment [43.56334737599984]
  本稿では,深層行列分解と分割アライメントによる新しいマルチビュークラスタリングアルゴリズムを提案する。 収束性が証明された最適化問題を解くために交互最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-05-01T15:06:57Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)

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。