論文の概要: Intra-view and Inter-view Correlation Guided Multi-view Novel Class Discovery

• arxiv url: http://arxiv.org/abs/2507.12029v1
• Date: Wed, 16 Jul 2025 08:42:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.311472
• Title: Intra-view and Inter-view Correlation Guided Multi-view Novel Class Discovery
• Title（参考訳）: ビュー内およびビュー間相関ガイドによる新しいクラス発見
• Authors: Xinhang Wan, Jiyuan Liu, Qian Qu, Suyuan Liu, Chuyu Zhang, Fangdi Wang, Xinwang Liu, En Zhu, Kunlun He,
• Abstract要約: 新たなクラス発見 (NCD) は、解離した既知のクラスからの知識を活用することで、新しいクラスをクラスタリングすることを目的としている。 Intra-view and Inter-view correlation Guided Multi-view Novel Class Discovery (IICMVNCD) という新しいフレームワークを提案する。 IICMVNCDはマルチビュー環境でNCDを探索する最初の試みである。
• 参考スコア（独自算出の注目度）: 52.616615506638205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we address the problem of novel class discovery (NCD), which aims to cluster novel classes by leveraging knowledge from disjoint known classes. While recent advances have made significant progress in this area, existing NCD methods face two major limitations. First, they primarily focus on single-view data (e.g., images), overlooking the increasingly common multi-view data, such as multi-omics datasets used in disease diagnosis. Second, their reliance on pseudo-labels to supervise novel class clustering often results in unstable performance, as pseudo-label quality is highly sensitive to factors such as data noise and feature dimensionality. To address these challenges, we propose a novel framework named Intra-view and Inter-view Correlation Guided Multi-view Novel Class Discovery (IICMVNCD), which is the first attempt to explore NCD in multi-view setting so far. Specifically, at the intra-view level, leveraging the distributional similarity between known and novel classes, we employ matrix factorization to decompose features into view-specific shared base matrices and factor matrices. The base matrices capture distributional consistency among the two datasets, while the factor matrices model pairwise relationships between samples. At the inter-view level, we utilize view relationships among known classes to guide the clustering of novel classes. This includes generating predicted labels through the weighted fusion of factor matrices and dynamically adjusting view weights of known classes based on the supervision loss, which are then transferred to novel class learning. Experimental results validate the effectiveness of our proposed approach.
• Abstract（参考訳）: 本稿では,新しいクラス発見 (NCD) の課題に対処する。これは,未知の既知のクラスからの知識を活用することで,新しいクラスをクラスタリングすることを目的としている。 最近の進歩はこの分野で大きな進歩を遂げているが、既存のNCD法には2つの大きな制限がある。 まず、主にシングルビューデータ(例:イメージ)に焦点を当て、病気の診断に使用されるマルチオミクスデータセットのような、ますます一般的なマルチビューデータを見渡す。 第二に、新しいクラスクラスタリングを監督する擬似ラベルへの依存は、データノイズや特徴次元といった要因に非常に敏感であるため、しばしば不安定なパフォーマンスをもたらす。 これらの課題に対処するため、我々は、これまでNCDをマルチビュー環境で探求してきた最初の試みである、IICMVNCD(Intra-view and Inter-view correlation Guided Multi-view Novel Class Discovery)という新しいフレームワークを提案する。 具体的には、ビュー内レベルでは、既知のクラスと新しいクラスの分布的類似性を利用して、特徴をビュー固有の共有基底行列と因子行列に分解するために行列分解を用いる。 基本行列は2つのデータセット間の分布一貫性を捉え、因子行列はサンプル間のペアワイズ関係をモデル化する。 ビュー間のレベルでは、既知のクラス間のビュー関係を利用して、新しいクラスのクラスタリングをガイドする。 これには、因子行列の重み付け融合を通じて予測ラベルを生成し、監視損失に基づいて既知のクラスのビューウェイトを動的に調整し、新しいクラス学習に移行することが含まれる。 提案手法の有効性を実験的に検証した。

関連論文リスト

• Generalized Semantic Contrastive Learning via Embedding Side Information for Few-Shot Object Detection [52.490375806093745]
  マイクロショットオブジェクト検出(FSOD)の目的は、少数のトレーニングサンプルで新しいオブジェクトを検出することである。 本稿では,特徴空間とサンプル視点から得られる負の影響を緩和する側面情報を紹介する。 我々のモデルは従来の最先端手法よりも優れており、ほとんどのショット/スプリットにおけるFSODの能力は大幅に向上している。
  論文  参考訳（メタデータ） (2025-04-09T17:24:05Z)
• Queryable Prototype Multiple Instance Learning with Vision-Language Models for Incremental Whole Slide Image Classification [10.667645628712542]
  ホイルスライド画像(WSI)分類は臨床病理学に非常に重要な応用例である。 本稿では, 逐次WSI分類に特化して設計された, Queryable Prototype Multiple Instance Learning (QPMIL-VL) を用いた視覚言語ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-14T14:49:34Z)
• Self Supervised Correlation-based Permutations for Multi-View Clustering [7.093692674858257]
  汎用データ型のためのエンドツーエンドのディープラーニングに基づく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。 提案手法は,新しい置換に基づく正準相関目標を用いた有意義な融合表現を生成する。
  論文  参考訳（メタデータ） (2024-02-26T08:08:30Z)
• Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
  既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。 本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-29T03:35:34Z)
• High-dimensional multi-view clustering methods [0.0]
  特にグラフベースのクラスタリングとサブスペースベースのクラスタリングという,2つのカテゴリにおいて,アプローチの検証と比較を行う。 ベンチマークデータセット上で、主要なクラスタリング手法の実験を実施、報告します。
  論文  参考訳（メタデータ） (2023-03-14T11:04:37Z)
• 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)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• Tensor-based Intrinsic Subspace Representation Learning for Multi-view Clustering [18.0093330816895]
  本稿では,マルチビュークラスタリングのための新規な固有部分空間表現(TISRL)を提案する。 異なる視点に含まれる特定の情報は、階級保存分解によって完全に調査されていることが分かる。 9つの一般的な実世界のマルチビューデータセットの実験結果は、TISRLの優位性を示している。
  論文  参考訳（メタデータ） (2020-10-19T03:36:18Z)
• 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。