論文の概要: Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance

• arxiv url: http://arxiv.org/abs/2503.11017v1
• Date: Fri, 14 Mar 2025 02:27:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:08:36.340989
• Title: Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance
• Title（参考訳）: 分散デュアル一貫性回復誘導を用いた深層不完全多視点クラスタリング
• Authors: Jiaqi Jin, Siwei Wang, Zhibin Dong, Xihong Yang, Xinwang Liu, En Zhu, Kunlun He,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 69.58609684008964
• License:
• Abstract: Multi-view clustering leverages complementary representations from diverse sources to enhance performance. However, real-world data often suffer incomplete cases due to factors like privacy concerns and device malfunctions. A key challenge is effectively utilizing available instances to recover missing views. Existing methods frequently overlook the heterogeneity among views during recovery, leading to significant distribution discrepancies between recovered and true data. Additionally, many approaches focus on cross-view correlations, neglecting insights from intra-view reliable structure and cross-view clustering structure. To address these issues, we propose BURG, a novel method for incomplete multi-view clustering with distriBution dUal-consistency Recovery Guidance. We treat each sample as a distinct category and perform cross-view distribution transfer to predict the distribution space of missing views. To compensate for the lack of reliable category information, we design a dual-consistency guided recovery strategy that includes intra-view alignment guided by neighbor-aware consistency and cross-view alignment guided by prototypical consistency. Extensive experiments on benchmarks demonstrate the superiority of BURG in the incomplete multi-view scenario.
• Abstract（参考訳）: マルチビュークラスタリングは、様々なソースの補完表現を活用してパフォーマンスを向上させる。 しかし、現実のデータは、プライバシーの懸念やデバイスの故障などの要因によって、不完全なケースに悩まされることが多い。 重要な課題は、行方不明のビューを回復するために利用可能なインスタンスを効果的に活用することである。 既存の手法は、回復中のビュー間の不均一性をしばしば見落とし、復元されたデータと真のデータの間に大きな分布の相違をもたらす。 さらに、多くのアプローチは、ビュー内信頼構造とクロスビュークラスタリング構造からの洞察を無視して、ビュー間の相関に重点を置いている。 これらの問題に対処するために,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。 ベンチマークに関する大規模な実験は、不完全なマルチビューシナリオにおけるBURGの優位性を実証している。

関連論文リスト

• Hierarchical Mutual Information Analysis: Towards Multi-view Clustering in The Wild [9.380271109354474]
  この研究は、データリカバリとアライメントを階層的に一貫した方法で融合し、異なるビュー間の相互情報を最大化するディープMVCフレームワークを提案する。 私たちの知る限りでは、これは欠落したデータ問題と不整合データ問題に異なる学習パラダイムで別々に対処する最初の試みになるかもしれません。
  論文  参考訳（メタデータ） (2023-10-28T06:43:57Z)
• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)
• 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 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)
• 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)
• Deep Multi-View Semi-Supervised Clustering with Sample Pairwise Constraints [10.226754903113164]
  本稿では,ネットワークファインタニングにおける3種類の損失を協調的に最適化するDMSC法を提案する。 提案手法は,最先端のマルチビューやシングルビューの競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-10T08:51:56Z)
• 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)
• 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。