論文の概要: Multi-view Spectral Clustering on the Grassmannian Manifold With Hypergraph Representation

• arxiv url: http://arxiv.org/abs/2503.06066v1
• Date: Sat, 08 Mar 2025 05:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:45:34.464450
• Title: Multi-view Spectral Clustering on the Grassmannian Manifold With Hypergraph Representation
• Title（参考訳）: ハイパーグラフ表現を用いたグラスマン多様体上のマルチビュースペクトルクラスタリング
• Authors: Murong Yang, Shihui Ying, Xin-Jian Xu, Yue Gao,
• Abstract要約: データポイントからの疎表現学習を活用することでハイパーグラフを生成する新しい手法を提案する。 スペクトルクラスタリングを各ビューに組み込んだ多視点ハイパーグラフスペクトルクラスタリングにおいて,直交制約のある最適化関数を提案する。 提案アルゴリズムの有効性を検証するため,実世界の4つのマルチビューデータセット上でテストを行い,その性能を7つの最先端マルチビュークラスタリングアルゴリズムと比較した。
• 参考スコア（独自算出の注目度）: 13.154074955545406
• License:
• Abstract: Graph-based multi-view spectral clustering methods have achieved notable progress recently, yet they often fall short in either oversimplifying pairwise relationships or struggling with inefficient spectral decompositions in high-dimensional Euclidean spaces. In this paper, we introduce a novel approach that begins to generate hypergraphs by leveraging sparse representation learning from data points. Based on the generated hypergraph, we propose an optimization function with orthogonality constraints for multi-view hypergraph spectral clustering, which incorporates spectral clustering for each view and ensures consistency across different views. In Euclidean space, solving the orthogonality-constrained optimization problem may yield local maxima and approximation errors. Innovately, we transform this problem into an unconstrained form on the Grassmannian manifold. Finally, we devise an alternating iterative Riemannian optimization algorithm to solve the problem. To validate the effectiveness of the proposed algorithm, we test it on four real-world multi-view datasets and compare its performance with seven state-of-the-art multi-view clustering algorithms. The experimental results demonstrate that our method outperforms the baselines in terms of clustering performance due to its superior low-dimensional and resilient feature representation.
• Abstract（参考訳）: グラフベースのマルチビュースペクトルクラスタリング法は近年顕著な進歩を遂げているが、ペア関係の単純化や高次元ユークリッド空間における非効率的なスペクトル分解に苦しむ場合が多い。 本稿では,データポイントからの疎表現学習を活用してハイパーグラフを生成する新しい手法を提案する。 生成したハイパーグラフに基づいて,多視点ハイパーグラフスペクトルクラスタリングのための直交制約付き最適化関数を提案する。 ユークリッド空間において、直交制約付き最適化問題を解くと、局所最大値と近似誤差が得られる。 革新的に、この問題をグラスマン多様体上の非制約形式に変換する。 最後に、この問題を解決するために反復的リーマン最適化アルゴリズムを考案する。 提案アルゴリズムの有効性を検証するため,実世界の4つのマルチビューデータセット上でテストを行い,その性能を7つの最先端マルチビュークラスタリングアルゴリズムと比較した。 実験により,本手法は,低次元かつレジリエントな特徴表現が優れているため,クラスタリング性能において,ベースラインよりも優れた性能を示すことが示された。

関連論文リスト

• Highly Efficient Rotation-Invariant Spectral Embedding for Scalable Incomplete Multi-View Clustering [41.37759812894945]
  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。
  論文  参考訳（メタデータ） (2025-01-21T05:20:02Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• Fast and Scalable Semi-Supervised Learning for Multi-View Subspace Clustering [13.638434337947302]
  FSSMSCは、既存のアプローチで一般的に見られる高い計算複雑性に対する新しいソリューションである。 この手法は、各データポイントを選択されたランドマークの疎線型結合として表現し、すべてのビューにまたがるコンセンサスアンカーグラフを生成する。 FSSMSCの有効性と効率は、様々なスケールの複数のベンチマークデータセットに対する広範な実験を通して検証される。
  論文  参考訳（メタデータ） (2024-08-11T06:54:00Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• 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)
• Nonbacktracking spectral clustering of nonuniform hypergraphs [2.408714894793063]
  非一様ハイパーグラフに対するスペクトルクラスタリングをハイパーグラフ非追跡演算子を用いて検討する。 本稿では,線形化された信念伝達を用いたハイパーグラフブロックモデルにおける推論の交互化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-27T01:14:06Z)
• 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)
• 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。