論文の概要: Deep Incomplete Multi-view Learning via Cyclic Permutation of VAEs

• arxiv url: http://arxiv.org/abs/2502.11037v2
• Date: Fri, 28 Feb 2025 06:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 16:38:45.353469
• Title: Deep Incomplete Multi-view Learning via Cyclic Permutation of VAEs
• Title（参考訳）: VAEの周期的置換による深層不完全多視点学習
• Authors: Xin Gao, Jian Pu,
• Abstract要約: 不完全データにおけるビュー間の不変関係を抽出する多視点自動エンコーダ(MVP)を提案する。 MVPは、変分自動エンコーダの潜在空間におけるビュー間の対応を確立し、行方不明のビューの推測を可能にする。 提案手法の有効性を,欠落率の異なる7つの多様なデータセットに対して示す。
• 参考スコア（独自算出の注目度）: 17.28020972971443
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multi-View Representation Learning (MVRL) aims to derive a unified representation from multi-view data by leveraging shared and complementary information across views. However, when views are irregularly missing, the incomplete data can lead to representations that lack sufficiency and consistency. To address this, we propose Multi-View Permutation of Variational Auto-Encoders (MVP), which excavates invariant relationships between views in incomplete data. MVP establishes inter-view correspondences in the latent space of Variational Auto-Encoders, enabling the inference of missing views and the aggregation of more sufficient information. To derive a valid Evidence Lower Bound (ELBO) for learning, we apply permutations to randomly reorder variables for cross-view generation and then partition them by views to maintain invariant meanings under permutations. Additionally, we enhance consistency by introducing an informational prior with cyclic permutations of posteriors, which turns the regularization term into a similarity measure across distributions. We demonstrate the effectiveness of our approach on seven diverse datasets with varying missing ratios, achieving superior performance in multi-view clustering and generation tasks.
• Abstract（参考訳）: MVRL(Multi-View Representation Learning)は、ビュー間の共有情報と補完情報を活用することで、マルチビューデータから統一表現を導出することを目的としている。 しかし、ビューが不規則に欠落している場合、不完全なデータは、十分性や一貫性に欠ける表現につながる可能性がある。 そこで本研究では,不完全データにおけるビュー間の不変な関係を抽出する多視点自動エンコーダ(MVP)を提案する。 MVPは、変分自動エンコーダの潜在空間におけるビュー間の対応を確立し、欠落したビューの推測と、より十分な情報の集約を可能にする。 学習に有効なエビデンス・ロウアー・バウンド(ELBO)を導出するために,変数をランダムに並べ替えてビューを生成する。 さらに,正規化項を分布間の類似度尺度に変換するために,後続の周期的な置換を伴う情報前処理を導入することで,一貫性を向上させる。 マルチビュークラスタリングおよび生成タスクにおいて,提案手法の有効性を示す。

関連論文リスト

• Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance [69.58609684008964]
  本稿では,distriBution dUal-Consistency Recovery Guidanceを用いた不完全なマルチビュークラスタリング手法であるBURGを提案する。 我々は,各サンプルを別カテゴリとして扱い,欠落したビューの分布空間を予測するために,クロスビュー配信を行う。 信頼性の高いカテゴリ情報の欠如を補うために,隣り合った整合性によって案内されるビュー内アライメントと,プロトタイプ的な整合性によって案内されるクロスビューアライメントを含む二重整合性ガイド付きリカバリ戦略を設計する。
  論文  参考訳（メタデータ） (2025-03-14T02:27:45Z)
• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 実験では、教師なしマルチビュークラスタリング、ノイズラベル分類、およびクロスモーダルハッシュ検索のためのプラグ・アンド・プレイモジュールとして採用する。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• 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)
• Self Supervised Correlation-based Permutations for Multi-View Clustering [7.972599673048582]
  汎用データのためのエンドツーエンドのディープラーニングベースのMVCフレームワークを提案する。 我々のアプローチは、新しい置換に基づく正準相関目標を用いて有意義な融合データ表現を学習することである。 10つのMVCベンチマークデータセットを用いて、モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-26T08:08:30Z)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• Incomplete Multi-view Clustering via Cross-view Relation Transfer [41.17336912278538]
  クロスビュー・リレーション・トランスファーとマルチビュー・フュージョン・ラーニングを組み合わせた,新しい不完全なマルチビュー・クラスタリング・フレームワークを提案する。 複数の実データを用いて実験を行い,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-12-01T14:28:15Z)
• Multi-VAE: Learning Disentangled View-common and View-peculiar Visual Representations for Multi-view Clustering [20.412896884905496]
  VAEベースのマルチビュークラスタリングフレームワーク(Multi-VAE)を提案する。 生成モデルにおいて、ビュー-共通変数と複数のビュー-ペキュリアル変数を定義する。 複数のビューの連続的な視覚情報を切り離すために相互情報容量を制御することにより、複数のビューの連続的な視覚情報を分離することができる。
  論文  参考訳（メタデータ） (2021-06-21T16:23:28Z)
• 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)
• Deep Partial Multi-View Learning [94.39367390062831]
  クロスパーシャル・マルチビュー・ネットワーク(CPM-Nets)と呼ばれる新しいフレームワークを提案する。 我々はまず、多視点表現に対する完全性と汎用性の形式的な定義を提供する。 そして、理論的に学習された潜在表現の多元性を証明する。
  論文  参考訳（メタデータ） (2020-11-12T02:29:29Z)
• 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)
• Variational Inference for Deep Probabilistic Canonical Correlation Analysis [49.36636239154184]
  線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。 潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。 任意の数のビューを持つモデルへの一般化も提案されている。
  論文  参考訳（メタデータ） (2020-03-09T17:51:15Z)

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。