論文の概要: Federated Incomplete Multi-view Clustering with Globally Fused Graph Guidance

• arxiv url: http://arxiv.org/abs/2506.15703v1
• Date: Fri, 30 May 2025 02:17:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.768825
• Title: Federated Incomplete Multi-view Clustering with Globally Fused Graph Guidance
• Title（参考訳）: グラフ誘導によるフェデレーション不完全なマルチビュークラスタリング
• Authors: Guoqing Chao, Zhenghao Zhang, Lei Meng, Jie Wen, Dianhui Chu,
• Abstract要約: We propose a novel Federated Incomplete Multi-view Clustering method with global Fused Graph guidance (FIMCFG)。 融合グラフの指導のもと、2つの基礎となる特徴は、擬似ラベルの監督の下でクラスタリングが行われるかに基づいて、ハイレベルな特徴に融合される。
• 参考スコア（独自算出の注目度）: 10.443422245356922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated multi-view clustering has been proposed to mine the valuable information within multi-view data distributed across different devices and has achieved impressive results while preserving the privacy. Despite great progress, most federated multi-view clustering methods only used global pseudo-labels to guide the downstream clustering process and failed to exploit the global information when extracting features. In addition, missing data problem in federated multi-view clustering task is less explored. To address these problems, we propose a novel Federated Incomplete Multi-view Clustering method with globally Fused Graph guidance (FIMCFG). Specifically, we designed a dual-head graph convolutional encoder at each client to extract two kinds of underlying features containing global and view-specific information. Subsequently, under the guidance of the fused graph, the two underlying features are fused into high-level features, based on which clustering is conducted under the supervision of pseudo-labeling. Finally, the high-level features are uploaded to the server to refine the graph fusion and pseudo-labeling computation. Extensive experimental results demonstrate the effectiveness and superiority of FIMCFG. Our code is publicly available at https://github.com/PaddiHunter/FIMCFG.
• Abstract（参考訳）: フェデレートされたマルチビュークラスタリングは、さまざまなデバイスに分散したマルチビューデータ内の貴重な情報をマイニングするために提案され、プライバシを保護しながら素晴らしい結果を得た。 多くのフェデレートされたマルチビュークラスタリング手法は、ダウンストリームクラスタリングプロセスのガイドにグローバルな擬似ラベルしか使用せず、特徴抽出時にグローバル情報を活用できなかった。 さらに,フェデレートされたマルチビュークラスタリングタスクにおけるデータ不足の問題についても検討する。 このような問題に対処するため,我々はFIMCFG (Federated Incomplete Multi-view Clustering method) を提案する。 具体的には、グローバルおよびビュー固有情報を含む2種類の基本特徴を抽出するために、各クライアントにデュアルヘッドグラフ畳み込みエンコーダを設計した。 その後、融合グラフの指導のもと、2つの基礎となる特徴をハイレベルな特徴に融合させ、擬似ラベルの監督の下でクラスタリングを行う。 最後に、高レベルの機能はサーバにアップロードされ、グラフの融合と擬似ラベル計算が洗練される。 FIMCFGの有効性と優位性を示した。 私たちのコードはhttps://github.com/PaddiHunter/FIMCFG.comで公開されています。

関連論文リスト

• Global Graph Propagation with Hierarchical Information Transfer for Incomplete Contrastive Multi-view Clustering [12.080981190754986]
  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。
  論文  参考訳（メタデータ） (2025-02-26T16:50:08Z)
• Federated Incomplete Multi-View Clustering with Heterogeneous Graph Neural Networks [21.710283538891968]
  フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータを使用したグローバルクラスタリングモデルを開発する可能性を提供する。 現在の手法は、ラベル情報がないことと、データプライバシの重要性が最重要視されているため、課題に直面している。 ヘテロジニアスグラフニューラルネットワーク(FIM-GNN)を用いたフェデレーション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。
  論文  参考訳（メタデータ） (2024-06-12T07:16:00Z)
• Federated Deep Multi-View Clustering with Global Self-Supervision [51.639891178519136]
  フェデレートされたマルチビュークラスタリングは、複数のデバイスに分散したデータからグローバルクラスタリングモデルを学習する可能性がある。 この設定では、ラベル情報は未知であり、データのプライバシを保持する必要がある。 本稿では,複数のクライアントから補完的なクラスタ構造をマイニングできる,新しい多視点クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-24T17:07:01Z)
• 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)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Deep Multi-View Subspace Clustering with Anchor Graph [11.291831842959926]
  アンカーグラフ(DMCAG)を用いた深層多視点サブスペースクラスタリング手法を提案する。 DMCAGは各ビューの埋め込み機能を独立して学習し、サブスペース表現を得るために使用される。 本手法は他の最先端手法よりも優れたクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2023-05-11T16:17:43Z)
• 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)
• Consistent and Complementary Graph Regularized Multi-view Subspace Clustering [31.187031653119025]
  本研究では,複数のビューが一貫した情報を含み,それぞれのビューが相補的な情報を含むマルチビュークラスタリングの問題について検討する。 本稿では、一貫したグラフ正規化マルチビューサブスペースクラスタリング(GRMSC)を含む手法を提案する。 目的関数は多視点クラスタリングを実現するために拡張ラグランジアン乗算法により最適化される。
  論文  参考訳（メタデータ） (2020-04-07T03:48:08Z)

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。