論文の概要: LargeMvC-Net: Anchor-based Deep Unfolding Network for Large-scale Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2507.20980v1
• Date: Mon, 28 Jul 2025 16:43:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:58.212164
• Title: LargeMvC-Net: Anchor-based Deep Unfolding Network for Large-scale Multi-view Clustering
• Title（参考訳）: LargeMvC-Net:大規模マルチビュークラスタリングのためのアンカーベースディープアンフォールディングネットワーク
• Authors: Shide Du, Chunming Wu, Zihan Fang, Wendi Zhao, Yilin Wu, Changwei Wang, Shiping Wang,
• Abstract要約: LargeMvC-Netは、アンカーベースのマルチビュークラスタリングのための新しいディープネットワークアーキテクチャである。 提案したモデルは,アンカーベースのクラスタリングプロセスを3つのモジュールに分解する。 いくつかの大規模マルチビューベンチマークの実験では、LargeMvC-Netは、有効性とスケーラビリティの両方の観点から、最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 13.805932688128053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep anchor-based multi-view clustering methods enhance the scalability of neural networks by utilizing representative anchors to reduce the computational complexity of large-scale clustering. Despite their scalability advantages, existing approaches often incorporate anchor structures in a heuristic or task-agnostic manner, either through post-hoc graph construction or as auxiliary components for message passing. Such designs overlook the core structural demands of anchor-based clustering, neglecting key optimization principles. To bridge this gap, we revisit the underlying optimization problem of large-scale anchor-based multi-view clustering and unfold its iterative solution into a novel deep network architecture, termed LargeMvC-Net. The proposed model decomposes the anchor-based clustering process into three modules: RepresentModule, NoiseModule, and AnchorModule, corresponding to representation learning, noise suppression, and anchor indicator estimation. Each module is derived by unfolding a step of the original optimization procedure into a dedicated network component, providing structural clarity and optimization traceability. In addition, an unsupervised reconstruction loss aligns each view with the anchor-induced latent space, encouraging consistent clustering structures across views. Extensive experiments on several large-scale multi-view benchmarks show that LargeMvC-Net consistently outperforms state-of-the-art methods in terms of both effectiveness and scalability.
• Abstract（参考訳）: ディープアンカーに基づくマルチビュークラスタリング手法は,大規模クラスタリングの計算複雑性を低減するために代表アンカーを利用することで,ニューラルネットワークのスケーラビリティを向上させる。 スケーラビリティのアドバンテージにもかかわらず、既存のアプローチでは、ポストホックグラフ構築またはメッセージパッシングの補助コンポーネントとして、ヒューリスティックまたはタスクに依存しない方法でアンカー構造を組み込むことが多い。 このような設計は、鍵となる最適化原則を無視して、アンカーベースのクラスタリングのコア構造的要求を見落としている。 このギャップを埋めるために、大規模なアンカーベースのマルチビュークラスタリングの根底にある最適化問題を再検討し、その反復解を新しいディープネットワークアーキテクチャであるLargeMvC-Netに展開する。 提案モデルは,アンカーベースのクラスタリングプロセスを,表現学習,雑音抑圧,アンカーインジケータ推定に対応するRepresentModule,NossModule,AnchorModuleの3つのモジュールに分解する。 各モジュールは、元の最適化手順のステップを専用ネットワークコンポーネントに展開し、構造的明快さと最適化トレーサビリティを提供する。 さらに、教師なしの再構築損失は、各ビューをアンカーが引き起こした潜在空間と整合させ、ビューをまたいだ一貫したクラスタリング構造を奨励する。 いくつかの大規模マルチビューベンチマークでの大規模な実験により、LargeMvC-Netは、有効性とスケーラビリティの両方の観点から、常に最先端の手法より優れていることが示されている。

関連論文リスト

• Towards Learnable Anchor for Deep Multi-View Clustering [49.767879678193005]
  本稿では,線形時間でクラスタリングを行うDeep Multi-view Anchor Clustering (DMAC)モデルを提案する。 最適なアンカーを用いて、全サンプルグラフを計算し、クラスタリングのための識別的埋め込みを導出する。 いくつかのデータセットの実験では、最先端の競合に比べてDMACの性能と効率が優れていることが示されている。
  論文  参考訳（メタデータ） (2025-03-16T09:38:11Z)
• Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images [43.152314090830174]
  本稿では,スパースサブスペースクラスタリングのためのマルチプライヤの交互方向法(ADMM)に基づく反復解法を展開させることにより,ハイパースペクトル画像(HSI)のための革新的なクラスタリングアーキテクチャを提案する。 提案手法は, 構造保存モジュールの一部として, K近傍近傍のアルゴリズムを用いて, HSIデータの構造特性をよく把握する。
  論文  参考訳（メタデータ） (2024-04-10T15:51:46Z)
• Scalable Multi-view Clustering via Explicit Kernel Features Maps [20.610589722626074]
  マルチビュー学習に対する意識の高まりは、現実世界のアプリケーションにおける複数のビューの増加によるものだ。 優れたクラスタリング性能を維持しつつ,計算負担を軽減するため,カーネル特徴マップを活用した効率的な最適化手法を提案する。 我々は,最先端のマルチビューサブスペースクラスタリング手法や属性ネットワークのマルチビューアプローチに対して,アルゴリズムの性能を評価するために,様々な規模の実世界のベンチマークネットワーク上で広範囲に実験を行った。
  論文  参考訳（メタデータ） (2024-02-07T12:35:31Z)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• MFPNet: Multi-scale Feature Propagation Network For Lightweight Semantic Segmentation [5.58363644107113]
  マルチスケール特徴伝達ネットワーク(Net)と呼ばれる,新しい軽量セグメンテーションアーキテクチャを提案する。 フレキシブル・ボトルネック・残差モジュール(BRM)からなる対称残差ブロックを有するロバスト・デコーダ構造を設計する。 遅延長範囲のコンテキスト関係をモデル化する能力の利点を生かして、グラフ畳み込みネットワーク(GCN)を活用し、BRMブロック間のマルチスケールフィーチャの伝搬を容易にする。
  論文  参考訳（メタデータ） (2023-09-10T02:02:29Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)

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。