論文の概要: Highly Efficient Rotation-Invariant Spectral Embedding for Scalable Incomplete Multi-View Clustering

• arxiv url: http://arxiv.org/abs/2501.11898v1
• Date: Tue, 21 Jan 2025 05:20:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:25.785120
• Title: Highly Efficient Rotation-Invariant Spectral Embedding for Scalable Incomplete Multi-View Clustering
• Title（参考訳）: スケーラブル不完全なマルチビュークラスタリングのための高効率回転不変スペクトル埋め込み
• Authors: Xinxin Wang, Yongshan Zhang, Yicong Zhou,
• Abstract要約: スケーラブルな不完全なマルチビュークラスタリングのための高効率な回転不変スペクトル埋め込み(RISE)法を提案する。 RISEは、不完全な二部グラフからビュー固有の埋め込みを学び、補完的な情報をキャプチャする。 線形複雑性と有望収束を考慮した高速交互最適化アルゴリズムを設計し,提案した定式化を解く。
• 参考スコア（独自算出の注目度）: 41.37759812894945
• License:
• Abstract: Incomplete multi-view clustering presents significant challenges due to missing views. Although many existing graph-based methods aim to recover missing instances or complete similarity matrices with promising results, they still face several limitations: (1) Recovered data may be unsuitable for spectral clustering, as these methods often ignore guidance from spectral analysis; (2) Complex optimization processes require high computational burden, hindering scalability to large-scale problems; (3) Most methods do not address the rotational mismatch problem in spectral embeddings. To address these issues, we propose a highly efficient rotation-invariant spectral embedding (RISE) method for scalable incomplete multi-view clustering. RISE learns view-specific embeddings from incomplete bipartite graphs to capture the complementary information. Meanwhile, a complete consensus representation with second-order rotation-invariant property is recovered from these incomplete embeddings in a unified model. Moreover, we design a fast alternating optimization algorithm with linear complexity and promising convergence to solve the proposed formulation. Extensive experiments on multiple datasets demonstrate the effectiveness, scalability, and efficiency of RISE compared to the state-of-the-art methods.
• Abstract（参考訳）: 不完全なマルチビュークラスタリングは、ビューの欠如による大きな課題である。 既存のグラフベースの手法の多くは、欠落したインスタンスの復元や、有望な結果を伴う完全な類似度行列を目標としているが、(1) 復元されたデータは、スペクトル分析からのガイダンスを無視することが多いため、スペクトルクラスタリングには適さないかもしれない; (2) 複雑な最適化プロセスは高い計算負担を要し、大規模問題へのスケーラビリティを阻害する; (3) ほとんどの手法は、スペクトル埋め込みにおける回転ミスマッチ問題に対処しない。 これらの問題に対処するために、スケーラブルな不完全なマルチビュークラスタリングのための高効率な回転不変スペクトル埋め込み法(RISE)を提案する。 RISEは、不完全な二部グラフからビュー固有の埋め込みを学び、補完的な情報をキャプチャする。 一方、2階回転不変性を持つ完全コンセンサス表現は、これらの不完全埋め込みから統一モデルに復元される。 さらに,線形複雑度と有望な収束性を有する高速交互最適化アルゴリズムを設計し,提案した定式化を解く。 複数のデータセットに対する大規模な実験は、最先端の手法と比較して、RISEの有効性、スケーラビリティ、効率性を実証している。

関連論文リスト

• Fast Disentangled Slim Tensor Learning for Multi-view Clustering [28.950845031752927]
  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。
  論文  参考訳（メタデータ） (2024-11-12T09:57:53Z)
• 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)
• 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)
• 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)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• 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)

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。