論文の概要: Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning

• arxiv url: http://arxiv.org/abs/2505.11182v1
• Date: Fri, 16 May 2025 12:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.969158
• Title: Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning
• Title（参考訳）: インプットフリー・アライメントフリー:合意セマンティック学習による不完全多視点クラスタリング
• Authors: Yuzhuo Dai, Jiaqi Jin, Zhibin Dong, Siwei Wang, Xinwang Liu, En Zhu, Xihong Yang, Xinbiao Gan, Yu Feng,
• Abstract要約: 不完全なマルチビュークラスタリングでは、欠落したデータがビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。 コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。 FreeCSLは、最先端の競合他社と比較して、IMVCタスクの信頼性と堅牢な割り当てを実現している。
• 参考スコア（独自算出の注目度）: 65.75756724642932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In incomplete multi-view clustering (IMVC), missing data induce prototype shifts within views and semantic inconsistencies across views. A feasible solution is to explore cross-view consistency in paired complete observations, further imputing and aligning the similarity relationships inherently shared across views. Nevertheless, existing methods are constrained by two-tiered limitations: (1) Neither instance- nor cluster-level consistency learning construct a semantic space shared across views to learn consensus semantics. The former enforces cross-view instances alignment, and wrongly regards unpaired observations with semantic consistency as negative pairs; the latter focuses on cross-view cluster counterparts while coarsely handling fine-grained intra-cluster relationships within views. (2) Excessive reliance on consistency results in unreliable imputation and alignment without incorporating view-specific cluster information. Thus, we propose an IMVC framework, imputation- and alignment-free for consensus semantics learning (FreeCSL). To bridge semantic gaps across all observations, we learn consensus prototypes from available data to discover a shared space, where semantically similar observations are pulled closer for consensus semantics learning. To capture semantic relationships within specific views, we design a heuristic graph clustering based on modularity to recover cluster structure with intra-cluster compactness and inter-cluster separation for cluster semantics enhancement. Extensive experiments demonstrate, compared to state-of-the-art competitors, FreeCSL achieves more confident and robust assignments on IMVC task.
• Abstract（参考訳）: 不完全なマルチビュークラスタリング(IMVC)では、欠落したデータはビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。 実現可能な解決策は、ペア化された完全な観測におけるクロスビュー整合性を探究し、ビュー間で本質的に共有される類似性の関係をさらに推し進め、整合させることである。 1) インスタンスレベルの一貫性学習でも、クラスタレベルの一貫性学習でも、ビュー間で共有されるセマンティックスペースを構築して、コンセンサスの意味学を学ぶことはできません。 前者はクロスビューインスタンスのアライメントを強制し、セマンティック一貫性を負のペアと誤認する。後者は、ビュー内の粒度の細かいクラスタ内関係を粗末に処理しながら、クロスビュークラスタのアライメントにフォーカスしている。 2)一貫性への過度な依存は、ビュー固有のクラスタ情報を組み込まずに、信頼性の低い計算とアライメントをもたらす。 そこで本研究では,コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。 すべての観測データ間のセマンティックギャップを埋めるために、利用可能なデータからコンセンサスプロトタイプを学習し、共有空間を発見し、セマンティックに類似した観察を、コンセンサスセマンティックス学習に近づける。 特定のビュー内のセマンティックな関係を捉えるために,モジュール性に基づくヒューリスティックなグラフクラスタリングを設計し,クラスタ内コンパクト性とクラスタ間分離によるクラスタ間セマンティクスの強化によりクラスタ構造を復元する。 大規模な実験では、最先端の競合と比較して、FreeCSLはIMVCタスクに対してより自信と堅牢な割り当てを達成している。

関連論文リスト

• Multi-view Granular-ball Contrastive Clustering [15.732090918798395]
  粒状球はインスタンスとクラスタの間にあり、サンプル集合の局所的な位相構造を自然に保存する。 我々はMGBCC(Multi-view Granular-ball Contrastive Clustering)という手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T06:53:30Z)
• Unpaired Multi-view Clustering via Reliable View Guidance [7.441454668534061]
  本稿では、複数のビューでペアリングされたサンプルが利用できないという問題であるUMC(unpaired multi-view clustering)に焦点を当てる。 本稿では,信頼度の高い1つのビュー (RG-UMC) と複数の信頼度の高いビュー (RGs-UMC) を UMC に対して提案する。 RG-UMCとRGs-UMCは、それぞれ24.14%と29.42%のNMIで最高の最先端の手法を上回っている。
  論文  参考訳（メタデータ） (2024-04-27T13:03:57Z)
• Deep Contrastive Multi-view Clustering under Semantic Feature Guidance [8.055452424643562]
  本稿では,Semantic Feature Guide (DCMCS) の下で,Deep Contrastive Multi-view Clustering という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。 意味的類似性によって重み付けされたインスタンスレベルのコントラスト損失を最小化することにより、DCMCSは偽陰対間のコントラストの傾きを適応的に弱める。 いくつかの公開データセットの実験結果は、提案したフレームワークが最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2024-03-09T02:33:38Z)
• 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)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)
• Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
  本稿では,最適コンセンサスを近似する凝集分析法を提案する。 本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
  論文  参考訳（メタデータ） (2020-05-12T05:39:10Z)

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。