論文の概要: Multi-View Spectral Clustering for Graphs with Multiple View Structures

• arxiv url: http://arxiv.org/abs/2501.11422v1
• Date: Mon, 20 Jan 2025 11:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:24:48.429996
• Title: Multi-View Spectral Clustering for Graphs with Multiple View Structures
• Title（参考訳）: 複数のビュー構造を持つグラフに対するマルチビュースペクトルクラスタリング
• Authors: Yorgos Tsitsikas, Evangelos E. Papalexakis,
• Abstract要約: 本稿では,複数の異なるクラスタリング手法を仮定する一般的なクラスタリングフレームワークを提案する。 このフレームワークのインスタンスとスペクトルクラスタリングの一般化を同時に行う手法であるGenClusを提案する。
• 参考スコア（独自算出の注目度）: 3.7478782183628634
• License:
• Abstract: Despite the fundamental importance of clustering, to this day, much of the relevant research is still based on ambiguous foundations, leading to an unclear understanding of whether or how the various clustering methods are connected with each other. In this work, we provide an additional stepping stone towards resolving such ambiguities by presenting a general clustering framework that subsumes a series of seemingly disparate clustering methods, including various methods belonging to the wildly popular spectral clustering framework. In fact, the generality of the proposed framework is additionally capable of shedding light to the largely unexplored area of multi-view graphs whose each view may have differently clustered nodes. In turn, we propose GenClus: a method that is simultaneously an instance of this framework and a generalization of spectral clustering, while also being closely related to k-means as well. This results in a principled alternative to the few existing methods studying this special type of multi-view graphs. Then, we conduct in-depth experiments, which demonstrate that GenClus is more computationally efficient than existing methods, while also attaining similar or better clustering performance. Lastly, a qualitative real-world case-study further demonstrates the ability of GenClus to produce meaningful clusterings.
• Abstract（参考訳）: クラスタリングの基本的な重要性にもかかわらず、現在に至るまで、関連する研究の多くはあいまいな基礎に基づいている。 本研究では,このような曖昧性を解決するための新たなステップストーンとして,広く普及しているスペクトルクラスタリングフレームワークに属する様々な手法を含む,様々な異なるように見えるクラスタリング手法を仮定する一般的なクラスタリングフレームワークを提案する。 実際、提案フレームワークの一般性は、各ビューが異なるクラスタノードを持つ可能性のある、ほとんど探索されていない多視点グラフの領域に光を放つことができる。 そこで我々は,このフレームワークのインスタンスとスペクトルクラスタリングの一般化を同時に行う手法であるGenClusを提案する。 この結果、この特殊なタイプのマルチビューグラフを研究する数少ない方法の原則的な代替となる。 そして、我々は、GenClusが既存の手法よりも計算効率が良く、クラスタリング性能も良くなっていることを示す詳細な実験を行う。 最後に、定性的な実世界のケーススタディは、GenClusが意味のあるクラスタリングを生成する能力をさらに示している。

関連論文リスト

• Interpretable Multi-View Clustering [8.221659822719817]
  本稿では,解釈可能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。 実データを用いた実験結果から,本手法は最先端クラスタリング手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-05-04T11:56:24Z)
• Spectral Clustering in Convex and Constrained Settings [0.0]
  半定スペクトルクラスタリングにペアワイズ制約をシームレスに統合する新しいフレームワークを提案する。 本手法は,半定スペクトルクラスタリングによって複雑なデータ構造を捕捉する能力を体系的に拡張する。
  論文  参考訳（メタデータ） (2024-04-03T18:50:14Z)
• 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)
• 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)
• Deep Clustering With Consensus Representations [10.058084837348366]
  異種クラスタリングにおけるコンセンサス表現の学習という概念を導入し,コンセンサスクラスタリングにアプローチする新しい概念を提案する。 複数の異種クラスタリングアルゴリズムの表現とクラスタリング結果を共同で改善する,最初のディープクラスタリング手法であるDECCSを提案する。
  論文  参考訳（メタデータ） (2022-10-13T14:40:48Z)
• Deep Clustering: A Comprehensive Survey [53.387957674512585]
  クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。 ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。 ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
  論文  参考訳（メタデータ） (2022-10-09T02:31:32Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• 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。