論文の概要: Global Graph Propagation with Hierarchical Information Transfer for Incomplete Contrastive Multi-view Clustering
- arxiv url: http://arxiv.org/abs/2502.19291v1
- Date: Wed, 26 Feb 2025 16:50:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-27 14:56:55.072926
- Title: Global Graph Propagation with Hierarchical Information Transfer for Incomplete Contrastive Multi-view Clustering
- Title（参考訳）: 非完全コントラストマルチビュークラスタリングのための階層的情報伝達を用いたグローバルグラフ伝播
- Authors: Guoqing Chao, Kaixin Xu, Xijiong Xie, Yongyong Chen,
- Abstract要約: 階層的な情報伝達を伴う新しい不完全なマルチビュークラスタリング手法を提案する。
提案手法は,ビュー固有表現学習,グローバルグラフ伝播,階層的情報伝達,共同最適化のためのコントラストクラスタリングを組み合わせた。
- 参考スコア（独自算出の注目度）: 12.080981190754986
- License:
- Abstract: Incomplete multi-view clustering has become one of the important research problems due to the extensive missing multi-view data in the real world. Although the existing methods have made great progress, there are still some problems: 1) most methods cannot effectively mine the information hidden in the missing data; 2) most methods typically divide representation learning and clustering into two separate stages, but this may affect the clustering performance as the clustering results directly depend on the learned representation. To address these problems, we propose a novel incomplete multi-view clustering method with hierarchical information transfer. Firstly, we design the view-specific Graph Convolutional Networks (GCN) to obtain the representation encoding the graph structure, which is then fused into the consensus representation. Secondly, considering that one layer of GCN transfers one-order neighbor node information, the global graph propagation with the consensus representation is proposed to handle the missing data and learn deep representation. Finally, we design a weight-sharing pseudo-classifier with contrastive learning to obtain an end-to-end framework that combines view-specific representation learning, global graph propagation with hierarchical information transfer, and contrastive clustering for joint optimization. Extensive experiments conducted on several commonly-used datasets demonstrate the effectiveness and superiority of our method in comparison with other state-of-the-art approaches. The code is available at https://github.com/KelvinXuu/GHICMC.
- Abstract（参考訳）: 不完全なマルチビュークラスタリングは、現実世界の大量のマルチビューデータが欠落していることから、重要な研究課題の1つとなっている。
既存の手法は大きな進歩を遂げていますが、まだいくつか問題があります。
1) 多くの方法は,行方不明データに隠された情報を効果的にマイニングすることはできない。
2) ほとんどの手法は表現学習とクラスタリングを2つの段階に分けているが,クラスタリングの結果は学習した表現に直接依存するため,クラスタリングのパフォーマンスに影響を及ぼす可能性がある。
これらの問題に対処するために,階層的な情報伝達を伴う新しい不完全なマルチビュークラスタリング手法を提案する。
まず、ビュー固有のグラフ畳み込みネットワーク(GCN)を設計し、グラフ構造を符号化し、コンセンサス表現に融合する。
第二に、GCNの1つの層が1次隣接ノード情報を転送することを考えると、コンセンサス表現によるグローバルグラフの伝搬は、欠落したデータに対処し、深層表現を学ぶために提案される。
最後に,コントラスト学習を用いた重み共有擬似分類器を設計し,ビュー固有表現学習,グローバルグラフ伝播と階層的情報伝達,共同最適化のためのコントラストクラスタリングを組み合わせたエンドツーエンドのフレームワークを得る。
いくつかの一般的なデータセットで実施された大規模な実験は、他の最先端手法と比較して、本手法の有効性と優位性を示している。
コードはhttps://github.com/KelvinXuu/GHICMCで入手できる。
関連論文リスト
- Incomplete Contrastive Multi-View Clustering with High-Confidence
Guiding [7.305817202715752]
高信頼誘導(ICMVC)を用いた非完全コントラストマルチビュークラスタリング手法を提案する。
まず、欠落した値問題に対処するために、マルチビュー整合関係転送とグラフ畳み込みネットワークを提案する。
第2に、補完情報を活用するために、インスタンスレベルの注意融合と高信頼誘導を提案する。
論文 参考訳（メタデータ） (2023-12-14T07:28:41Z) - Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
本稿では,新しいアンカーグラフ学習フレームワークを提案する。
ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。
提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
論文 参考訳（メタデータ） (2023-08-31T08:30:26Z) - Unpaired Multi-View Graph Clustering with Cross-View Structure Matching [39.310384044597065]
既存のMVCメソッドの多くは、マルチビューデータが完全にペアリングされていると仮定している。
データ通信は、データ破損やセンサーの違いにより、現実世界のアプリケーションでは不完全であることが多い。
本稿では,クロスビュー構造マッチングを用いたパラメータフリーグラフクラスタリングフレームワークUnpaired Multi-view Graph Clusteringフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-07T09:29:44Z) - Cross-view Graph Contrastive Representation Learning on Partially
Aligned Multi-view Data [52.491074276133325]
マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。
本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習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,クラスタリングおよび分類作業における提案手法の有効性を示した。
論文 参考訳（メタデータ） (2022-11-08T09:19:32Z) - Double Graphs Regularized Multi-view Subspace Clustering [15.52467509308717]
本稿では,新しいDouble Graphs Regularized Multi-view Subspace Clustering (DGRMSC)法を提案する。
マルチビューデータのグローバルな構造情報とローカルな構造情報の両方を統一されたフレームワークで活用することを目的としている。
論文 参考訳（メタデータ） (2022-09-30T00:16:42Z) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳（メタデータ） (2022-03-01T02:32:25Z) - Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。
主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。
8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
論文 参考訳（メタデータ） (2022-01-12T18:00:29Z) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳（メタデータ） (2021-12-15T07:28:58Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳（メタデータ） (2021-08-15T13:14:28Z) - 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。