論文の概要: A Joint Sparse Self-Representation Learning Method for Multiview Clustering

• arxiv url: http://arxiv.org/abs/2508.06857v1
• Date: Sat, 09 Aug 2025 06:49:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.583769
• Title: A Joint Sparse Self-Representation Learning Method for Multiview Clustering
• Title（参考訳）: マルチビュークラスタリングのための共同スパース自己表現学習法
• Authors: Mengxue Jia, Zhihua Allen-Zhao, You Zhao, Sanyang Liu,
• Abstract要約: マルチビュークラスタリング(MC)は、様々なビューにまたがる一貫性とスパース情報を用いてサンプルをグループ化する。 本稿では,正規化に代えてグラフ性を導入する,MCのための新しい自己表現モデルを提案する。 各視点の下では、濃度制約は自己表現段階で使用されるサンプルを直接制限し、信頼できる地域情報とグローバル情報を抽出する。
• 参考スコア（独自算出の注目度）: 6.993491018326815
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multiview clustering (MC) aims to group samples using consistent and complementary information across various views. The subspace clustering, as a fundamental technique of MC, has attracted significant attention. In this paper, we propose a novel joint sparse self-representation learning model for MC, where a featured difference is the extraction of view-specific local information by introducing cardinality (i.e., $\ell_0$-norm) constraints instead of Graph-Laplacian regularization. Specifically, under each view, cardinality constraints directly restrict the samples used in the self-representation stage to extract reliable local and global structure information, while the low-rank constraint aids in revealing a global coherent structure in the consensus affinity matrix during merging. The attendant challenge is that Augmented Lagrange Method (ALM)-based alternating minimization algorithms cannot guarantee convergence when applied directly to our nonconvex, nonsmooth model, thus resulting in poor generalization ability. To address it, we develop an alternating quadratic penalty (AQP) method with global convergence, where two subproblems are iteratively solved by closed-form solutions. Empirical results on six standard datasets demonstrate the superiority of our model and AQP method, compared to eight state-of-the-art algorithms.
• Abstract（参考訳）: マルチビュークラスタリング(MC)は、様々なビューにまたがる一貫性と相補的な情報を用いてサンプルをグループ化する。 MCの基本技術としてのサブスペースクラスタリングは、大きな注目を集めている。 本稿では,グラフラプラシアン正規化の代わりにアクティリティ($\ell_0$-norm)制約を導入することで,ビュー固有のローカル情報の抽出を特徴とする,MCのための新しい自己表現学習モデルを提案する。 具体的には、各視点において、濃度制約は自己表現段階で使用されるサンプルを直接制限し、信頼性の高い局所的および大域的構造情報を抽出する一方、低ランクな制約は、統合中にコンセンサス親和性行列に大域的コヒーレント構造を明らかにするのに役立つ。 Augmented Lagrange Method (ALM)ベースの交互最小化アルゴリズムは、我々の非凸非滑らかモデルに直接適用しても収束を保証できないため、一般化能力は低下する。 そこで我々は,2つのサブプロブレムが閉形式解によって反復的に解かれるような,大域収束を伴う交互2次ペナルティ法(AQP)を開発した。 6つの標準データセットに対する実験結果は、我々のモデルとAQP法が8つの最先端アルゴリズムと比較して優れていることを示す。

関連論文リスト

• Memetic Differential Evolution Methods for Semi-Supervised Clustering [0.8681835475119588]
  MDEClustの半教師付き最小二乗クラスタリング(MSSC)問題に対する拡張を提案する。 我々の新しいフレームワークであるS-MDEClustは、最適な実現可能なソリューションを生成するために設計された最初のメメカティックな方法論である。
  論文  参考訳（メタデータ） (2024-03-07T08:37:36Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-21T01:47:17Z)
• Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
  制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。 本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-11T13:38:09Z)
• 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。