論文の概要: Bootstrap Deep Spectral Clustering with Optimal Transport

• arxiv url: http://arxiv.org/abs/2508.04200v1
• Date: Wed, 06 Aug 2025 08:30:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.629617
• Title: Bootstrap Deep Spectral Clustering with Optimal Transport
• Title（参考訳）: 最適輸送を用いたブートストラップ深部スペクトルクラスタリング
• Authors: Wengang Guo, Wei Ye, Chunchun Chen, Xin Sun, Christian Böhm, Claudia Plant, Susanto Rahardja,
• Abstract要約: 実験結果から,BootSCは最先端のクラスタリング性能を実現することが示唆された。 BootSCは、ImageNet-Dogsデータセットに挑戦するランナーアップメソッドに対して、注目すべき16%のNMI改善を実現している。
• 参考スコア（独自算出の注目度）: 18.630037263667358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral clustering is a leading clustering method. Two of its major shortcomings are the disjoint optimization process and the limited representation capacity. To address these issues, we propose a deep spectral clustering model (named BootSC), which jointly learns all stages of spectral clustering -- affinity matrix construction, spectral embedding, and $k$-means clustering -- using a single network in an end-to-end manner. BootSC leverages effective and efficient optimal-transport-derived supervision to bootstrap the affinity matrix and the cluster assignment matrix. Moreover, a semantically-consistent orthogonal re-parameterization technique is introduced to orthogonalize spectral embeddings, significantly enhancing the discrimination capability. Experimental results indicate that BootSC achieves state-of-the-art clustering performance. For example, it accomplishes a notable 16\% NMI improvement over the runner-up method on the challenging ImageNet-Dogs dataset. Our code is available at https://github.com/spdj2271/BootSC.
• Abstract（参考訳）: スペクトルクラスタリングは主要なクラスタリング手法である。 主な欠点の2つは、不整合最適化プロセスと限られた表現能力である。 これらの問題に対処するために、単一ネットワークをエンドツーエンドに使用してスペクトルクラスタリング(親和性マトリックスの構築、スペクトル埋め込み、および$k$-meansクラスタリング)のすべての段階を共同で学習するディープスペクトルクラスタリングモデル(BootSC)を提案する。 BootSCは、アフィニティマトリクスとクラスタ割り当てマトリクスをブートストラップするために、効率的で効率的なトランスポートからの監督を利用する。 さらに、スペクトル埋め込みの直交化を図り、識別能力を著しく向上させる意味的に一貫性のある直交再パラメータ化手法が導入された。 実験結果から,BootSCは最先端のクラスタリング性能を実現することが示唆された。 例えば、ImageNet-Dogsデータセットに挑戦するランナーアップメソッドに対して、注目すべき16倍のNMI改善を実現している。 私たちのコードはhttps://github.com/spdj2271/BootSCで利用可能です。

関連論文リスト

• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• Deep Spectral Clustering via Joint Spectral Embedding and Kmeans [4.266012989684753]
  textbfDeep textbfSpectral textbfClustering (textbfDSC)は、スペクトル埋め込みモジュールとgreedy Kmeansモジュールの2つの主要モジュールから構成される。 前者のモジュールは、ディープニューラルネットワークとパワーイテレーションを使用して、サンプルをスペクトル埋め込み空間に効率的に埋め込むことを学ぶ。 後者のモジュールは、学習したスペクトル埋め込み上のKmeansのクラスタ構造を、グリーディ最適化戦略によって改善する。
  論文  参考訳（メタデータ） (2024-12-15T06:40:22Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Self-Tuning Spectral Clustering for Speaker Diarization [19.487611671681968]
  p-隣り合う親和性行列(SC-pNA)にスペクトルクラスタリングと呼ばれるスパース親和性行列を生成する新しいプルーニングアルゴリズムを提案する。 提案手法は,外部チューニングデータの必要性を排除し,ノード固有の固定近傍選択を改善する。 挑戦的なDIHARD-IIIデータセットの実験結果は、SC-pNAの優位性を強調している。
  論文  参考訳（メタデータ） (2024-09-16T05:07:47Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• One-Step Late Fusion Multi-view Clustering with Compressed Subspace [29.02032034647922]
  圧縮部分空間を用いたワンステップレイトフュージョンマルチビュークラスタリング(OS-LFMVC-CS)という統合フレームワークを提案する。 コンセンサス部分空間を用いて分割行列を整列し、分割融合を最適化し、融合分割行列を用いて離散ラベルの学習を指導する。
  論文  参考訳（メタデータ） (2024-01-03T06:18:30Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [69.15976031704687]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• LSEC: Large-scale spectral ensemble clustering [8.545202841051582]
  本稿では,効率と効率のバランスを良くするために,大規模スペクトルアンサンブルクラスタリング(LSEC)手法を提案する。 LSEC法は既存のアンサンブルクラスタリング法よりも計算複雑性が低い。
  論文  参考訳（メタデータ） (2021-06-18T00:42:03Z)
• Very Compact Clusters with Structural Regularization via Similarity and Connectivity [3.779514860341336]
  本稿では,汎用データセットのためのエンドツーエンドのディープクラスタリングアルゴリズムであるVery Compact Clusters (VCC)を提案する。 提案手法は,最先端のクラスタリング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） (2021-06-09T23:22:03Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• Local Graph Clustering with Network Lasso [90.66817876491052]
  局所グラフクラスタリングのためのネットワークLasso法の統計的および計算的性質について検討する。 nLassoによって提供されるクラスタは、クラスタ境界とシードノードの間のネットワークフローを通じて、エレガントに特徴付けられる。
  論文  参考訳（メタデータ） (2020-04-25T17:52:05Z)

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。