論文の概要: Mask-informed Deep Contrastive Incomplete Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2502.02234v1
• Date: Tue, 04 Feb 2025 11:23:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:02:11.516688
• Title: Mask-informed Deep Contrastive Incomplete Multi-view Clustering
• Title（参考訳）: マスクインフォームド深部コントラスト不完全なマルチビュークラスタリング
• Authors: Zhenglai Li, Yuqi Shi, Xiao He, Chang Tang,
• Abstract要約: マルチビュークラスタリング(MvC)は、複数のビューからの情報を利用して、基礎となるデータ構造を明らかにする。 本稿では,新しいMask-informed Deep Contrastive Incomplete Multi-view Clustering (Mask-IMvC)法を提案する。
• 参考スコア（独自算出の注目度）: 12.157347410394234
• License:
• Abstract: Multi-view clustering (MvC) utilizes information from multiple views to uncover the underlying structures of data. Despite significant advancements in MvC, mitigating the impact of missing samples in specific views on the integration of knowledge from different views remains a critical challenge. This paper proposes a novel Mask-informed Deep Contrastive Incomplete Multi-view Clustering (Mask-IMvC) method, which elegantly identifies a view-common representation for clustering. Specifically, we introduce a mask-informed fusion network that aggregates incomplete multi-view information while considering the observation status of samples across various views as a mask, thereby reducing the adverse effects of missing values. Additionally, we design a prior knowledge-assisted contrastive learning loss that boosts the representation capability of the aggregated view-common representation by injecting neighborhood information of samples from different views. Finally, extensive experiments are conducted to demonstrate the superiority of the proposed Mask-IMvC method over state-of-the-art approaches across multiple MvC datasets, both in complete and incomplete scenarios.
• Abstract（参考訳）: マルチビュークラスタリング(MvC)は、複数のビューからの情報を利用して、基礎となるデータ構造を明らかにする。 MvCの大幅な進歩にもかかわらず、異なる視点からの知識の統合に対する特定の視点における欠落したサンプルの影響を緩和することは、依然として重要な課題である。 本稿では, クラスタリングのためのビュー-共通表現をエレガントに識別する, Mask-informed Deep Contrastive Incomplete Multi-view Clustering (Mask-IMvC)法を提案する。 具体的には、マスクとして様々なビューにまたがるサンプルの観察状況を考慮して、不完全な多視点情報を集約するマスクインフォームドフュージョンネットワークを導入し、欠落値の悪影響を低減する。 さらに、異なる視点からサンプルの近傍情報を注入することにより、集約されたビュー-共通表現の表現能力を向上する事前知識支援型コントラスト学習損失を設計する。 最後に、提案したMask-IMvC法が、複数のMvCデータセットにまたがる最先端アプローチよりも、完全なシナリオと不完全なシナリオにおいて優れていることを示すために、広範な実験を行った。

関連論文リスト

• 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)
• Incomplete Multi-view Clustering via Diffusion Completion [0.0]
  本稿では,不完全なマルチビュークラスタリングフレームワークに組み込まれている不完全なビューを復元する拡散補完法を提案する。 観測可能なビュー情報に基づいて、拡散モデルを用いて、行方不明のビューを復元する。 提案手法は,最先端の手法と比較して,クラスタリング性能が優れている一方で,欠落したビューの回復に有効である。
  論文  参考訳（メタデータ） (2023-05-19T07:39:24Z)
• Deep Multiview Clustering by Contrasting Cluster Assignments [14.767319805995543]
  マルチビュークラスタリングは、データサンプルをクラスタに分類することで、マルチビューデータの基盤構造を明らかにすることを目的としている。 本稿では,複数のビュー間でクラスタ割り当てを対比することで,ビュー不変表現を学習し,クラスタリング結果を生成するクロスビューコントラスト学習(C)手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T06:35:54Z)
• 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)
• A Clustering-guided Contrastive Fusion for Multi-view Representation Learning [7.630965478083513]
  本稿では、ビュー固有表現をビュー共通表現に融合する深層融合ネットワークを提案する。 また、ビュー共通表現とビュー固有表現を一致させる非対称なコントラスト戦略を設計する。 不完全な視点では,提案手法は競合相手よりもノイズ干渉に抵抗する。
  論文  参考訳（メタデータ） (2022-12-28T07:21:05Z)
• Error-Robust Multi-View Clustering: Progress, Challenges and Opportunities [67.54503077766171]
  ラベル情報は取得に費用がかかることが多いため、マルチビュークラスタリングが注目されている。 明示的なエラー除去定式化によるエラーロバストマルチビュークラスタリングアプローチは、5つの広範な研究カテゴリに構成できる。 この調査は、マルチビューデータに対するエラーロストクラスタリングの最近の進歩を要約し、レビューする。
  論文  参考訳（メタデータ） (2021-05-07T04:03:02Z)
• V3H: View Variation and View Heredity for Incomplete Multi-view Clustering [65.29597317608844]
  不完全なマルチビュークラスタリングは、これらの不完全なビューを統合する効果的な方法である。 本稿では,この制限を克服するために,新しいビューバージョニング・ビュー・ジェレダリティ・アプローチ(V3H)を提案する。 V3Hは、不完全なマルチビューデータから一貫した情報とユニークな情報を同時に学習するためのクラスタリングアルゴリズムに遺伝学を導入する最初の研究である可能性がある。
  論文  参考訳（メタデータ） (2020-11-23T03:24:48Z)
• 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)
• 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。