論文の概要: A Semi-supervised Generative Model for Incomplete Multi-view Data Integration with Missing Labels

• arxiv url: http://arxiv.org/abs/2508.11180v1
• Date: Fri, 15 Aug 2025 03:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.723089
• Title: A Semi-supervised Generative Model for Incomplete Multi-view Data Integration with Missing Labels
• Title（参考訳）: 欠落ラベルを用いた不完全多視点データ統合のための半教師付き生成モデル
• Authors: Yiyang Shen, Weiran Wang,
• Abstract要約: 本稿では,ラベル付きサンプルとラベルなしサンプルの両方を統一されたフレームワークで利用する半教師付き生成モデルを提案する。 既存の手法と比較して、画像データとマルチオミクスデータの両方において、ビューの欠如とラベル付きサンプルの限定による予測と計算性能が向上する。
• 参考スコア（独自算出の注目度）: 12.79532395630597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view learning is widely applied to real-life datasets, such as multiple omics biological data, but it often suffers from both missing views and missing labels. Prior probabilistic approaches addressed the missing view problem by using a product-of-experts scheme to aggregate representations from present views and achieved superior performance over deterministic classifiers, using the information bottleneck (IB) principle. However, the IB framework is inherently fully supervised and cannot leverage unlabeled data. In this work, we propose a semi-supervised generative model that utilizes both labeled and unlabeled samples in a unified framework. Our method maximizes the likelihood of unlabeled samples to learn a latent space shared with the IB on labeled data. We also perform cross-view mutual information maximization in the latent space to enhance the extraction of shared information across views. Compared to existing approaches, our model achieves better predictive and imputation performance on both image and multi-omics data with missing views and limited labeled samples.
• Abstract（参考訳）: マルチビュー学習は、複数のオミクス生物学的データなどの実生活データセットに広く適用されているが、しばしば欠落したビューと欠落したラベルの両方に悩まされる。 従来の確率論的アプローチは,情報ボトルネック(IB)の原理を用いて,現状のビューから表現を集約し,決定論的分類器よりも優れた性能を実現した。 しかし、IBフレームワークは本質的に完全に管理されており、ラベルのないデータを利用することはできない。 本研究では,ラベル付きサンプルとラベルなしサンプルの両方を統一されたフレームワークで活用する半教師付き生成モデルを提案する。 本手法は,ラベル付きデータ上でICBと共有する潜在空間を学習するためのラベルなしサンプルの可能性を最大化する。 我々はまた、ビュー間の共有情報の抽出を強化するために、潜在空間における相互情報の相互情報の最大化を行う。 既存の手法と比較して、画像データとマルチオミクスデータの両方において、ビューの欠如とラベル付きサンプルの限定による予測と計算性能が向上する。

関連論文リスト

• Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment [50.82982601256481]
  深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。 従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
  論文  参考訳（メタデータ） (2023-03-28T02:31:57Z)
• A Distinct Unsupervised Reference Model From The Environment Helps Continual Learning [5.332329421663282]
  Open-Set Semi-Supervised Continual Learning (OSSCL)は、より現実的な半教師付き連続学習環境である。 i) 参照ネットワークは、未ラベルサンプルの幅広いスペクトルを用いて、環境における汎用的およびタスク非依存的な知識をキャプチャし、(ii) 学習者ネットワークは、教師付きサンプルを利用してタスク固有表現を学習するように設計されている。
  論文  参考訳（メタデータ） (2023-01-11T15:05:36Z)
• Self-supervised Image Clustering from Multiple Incomplete Views via Constrastive Complementary Generation [5.314364096882052]
  我々は、CIMIC-GAN(Generative Adversarial Networks)を用いたコントラスト不完全なマルチビュー画像クラスタリングを提案する。 完全および不完全データの自己エンコーディング表現を二重コントラスト学習に組み込んで学習一貫性を実現する。 テキストカラーブラックフールを用いた実験により、CIMIC-GANは最先端の非完全なマルチビュークラスタリング法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-24T05:08:34Z)
• Improving Contrastive Learning on Imbalanced Seed Data via Open-World Sampling [96.8742582581744]
  我々は、Model-Aware K-center (MAK)と呼ばれるオープンワールドなラベルなしデータサンプリングフレームワークを提案する。 MAKは、尾性、近接性、多様性の3つの単純な原則に従う。 我々はMAKが学習した機能の全体的な表現品質とクラスバランス性の両方を継続的に改善できることを実証した。
  論文  参考訳（メタデータ） (2021-11-01T15:09:41Z)
• TSK Fuzzy System Towards Few Labeled Incomplete Multi-View Data Classification [24.01191516774655]
  これらの課題に対処するために,トランスダクティブ半教師付きマルチビューTSKファジィシステムモデリング法(SSIMV_TSK)を提案する。 提案手法は,未知のビュー計算,ラベルなしデータの擬似ラベル学習,ファジィシステムモデリングをひとつのプロセスに統合し,解釈可能なファジィルールを持つモデルを生成する。 実データを用いた実験の結果,提案手法は最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-08T11:41:06Z)
• Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
  Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。 陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
  論文  参考訳（メタデータ） (2021-09-25T02:48:17Z)
• Uncorrelated Semi-paired Subspace Learning [7.20500993803316]
  一般化された非相関なマルチビューサブスペース学習フレームワークを提案する。 フレームワークの柔軟性を示すために,教師なし学習と教師なし学習の両方のための5つの新しいセミペアモデルをインスタンス化する。 提案するモデルは,ベースラインよりも競争力が高い。
  論文  参考訳（メタデータ） (2020-11-22T22:14:20Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• Generative Partial Multi-View Clustering [133.36721417531734]
  本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。 まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。 第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
  論文  参考訳（メタデータ） (2020-03-29T17:48:27Z)

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。