論文の概要: Robust Orthogonal NMF with Label Propagation for Image Clustering

• arxiv url: http://arxiv.org/abs/2504.21472v1
• Date: Wed, 30 Apr 2025 09:49:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 19:27:10.487033
• Title: Robust Orthogonal NMF with Label Propagation for Image Clustering
• Title（参考訳）: 画像クラスタリングのためのラベル伝搬を用いたロバスト直交NMF
• Authors: Jingjing Liu, Nian Wu, Xianchao Xiu, Jianhua Zhang,
• Abstract要約: 非負のクラスタリング因子化(artNFMF)は、イメージクラスタリングで広く使われている教師なし学習手法である。 そこで我々は,ノイズ汚損を解決するための (AD) ベースの解法である交互方向法を開発した。
• 参考スコア（独自算出の注目度）: 11.353489417171588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-negative matrix factorization (NMF) is a popular unsupervised learning approach widely used in image clustering. However, in real-world clustering scenarios, most existing NMF methods are highly sensitive to noise corruption and are unable to effectively leverage limited supervised information. To overcome these drawbacks, we propose a unified non-convex framework with label propagation called robust orthogonal nonnegative matrix factorization (RONMF). This method not only considers the graph Laplacian and label propagation as regularization terms but also introduces a more effective non-convex structure to measure the reconstruction error and imposes orthogonal constraints on the basis matrix to reduce the noise corruption, thereby achieving higher robustness. To solve RONMF, we develop an alternating direction method of multipliers (ADMM)-based optimization algorithm. In particular, all subproblems have closed-form solutions, which ensures its efficiency. Experimental evaluations on eight public image datasets demonstrate that the proposed RONMF outperforms state-of-the-art NMF methods across various standard metrics and shows excellent robustness. The code will be available at https://github.com/slinda-liu.
• Abstract（参考訳）: 非負行列分解 (NMF) は画像クラスタリングで広く使われている教師なし学習手法である。 しかし、実世界のクラスタリングでは、ほとんどの既存のNMF手法はノイズの破損に非常に敏感であり、限られた教師付き情報を効果的に活用できない。 これらの欠点を克服するために,ロバスト直交非負行列分解 (RONMF) と呼ばれるラベル伝搬を伴う統一された非凸フレームワークを提案する。 この手法はグラフラプラシアンとラベルの伝搬を正規化項として考えるだけでなく、再構成誤差を測定するためのより効果的な非凸構造を導入し、ベース行列に直交制約を課してノイズの劣化を低減し、より高い堅牢性を実現する。 RONMF を解決するために,乗算器 (ADMM) に基づく最適化アルゴリズムの交互方向法を開発した。 特に、すべての部分プロブレムは閉形式解を持ち、その効率性を保証する。 8つの公開画像データセットの実験的評価により、提案手法は様々な標準指標において最先端のNMF法より優れ、優れた堅牢性を示すことが示された。 コードはhttps://github.com/slinda-liu.comで入手できる。

関連論文リスト

• A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
  Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。 現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。 本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T07:24:11Z)
• Graph Regularized NMF with L20-norm for Unsupervised Feature Learning [6.894518335015327]
  グラフ正規化非負行列因子化(GNMF)は、グラフ正規化制約を組み込んだNMFの拡張である。 本稿では,GNMFに基づく教師なし機能学習フレームワークを提案し,PALMに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-16T12:10:01Z)
• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• Adaptive Weighted Nonnegative Matrix Factorization for Robust Feature Representation [9.844796520630522]
  非負行列分解(NMF)は、機械学習における次元の減少に広く用いられている。 従来のNMFは、ノイズに敏感であるように、アウトリーチを適切に扱わない。 本稿では,各データポイントの異なる重要性を強調するため,重み付き適応重み付きNMFを提案する。
  論文  参考訳（メタデータ） (2022-06-07T05:27:08Z)
• Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
  非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。 そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。 提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:10Z)
• Robust Matrix Factorization with Grouping Effect [28.35582493230616]
  グループ化効果を用いた行列分解法(GRMF)を提案する。 提案した GRMF は、事前の知識なしに、MF におけるグループ構造と疎性を学ぶことができる。 外れ値と汚染ノイズを持つ実世界のデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-06-25T15:03:52Z)
• Entropy Minimizing Matrix Factorization [102.26446204624885]
  NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。 本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。 通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
  論文  参考訳（メタデータ） (2021-03-24T21:08:43Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)
• Hyperspectral Unmixing via Nonnegative Matrix Factorization with Handcrafted and Learnt Priors [14.032039261229853]
  ハンドクラフト・レギュレータと学習用レギュレータをデータから併用したNMFベースのアンミックス・フレームワークを提案する。 我々は,様々な画像デノイザを用いて,関連するサブプロブレムに対処可能なアブリダンスの学習先行をプラグインする。
  論文  参考訳（メタデータ） (2020-10-09T14:40:20Z)
• Positive Semidefinite Matrix Factorization: A Connection with Phase Retrieval and Affine Rank Minimization [71.57324258813674]
  位相探索(PR)とアフィンランク最小化(ARM)アルゴリズムに基づいてPSDMFアルゴリズムを設計可能であることを示す。 このアイデアに触発され、反復的ハードしきい値(IHT)に基づくPSDMFアルゴリズムの新たなファミリーを導入する。
  論文  参考訳（メタデータ） (2020-07-24T06:10:19Z)

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。