論文の概要: Multi-view Clustering via Bi-level Decoupling and Consistency Learning

• arxiv url: http://arxiv.org/abs/2508.13499v1
• Date: Tue, 19 Aug 2025 04:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.790676
• Title: Multi-view Clustering via Bi-level Decoupling and Consistency Learning
• Title（参考訳）: 双方向デカップリングと一貫性学習によるマルチビュークラスタリング
• Authors: Shihao Dong, Yuhui Zheng, Huiying Xu, Xinzhong Zhu,
• Abstract要約: マルチビュークラスタリングは,マルチビューデータの基盤となるパターンを解析するための有効な手法であることが示されている。 本稿では,多視点データに対する効果的な表現を探索するバイレベルデカップリング・一貫性学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.5206977323695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view clustering has shown to be an effective method for analyzing underlying patterns in multi-view data. The performance of clustering can be improved by learning the consistency and complementarity between multi-view features, however, cluster-oriented representation learning is often overlooked. In this paper, we propose a novel Bi-level Decoupling and Consistency Learning framework (BDCL) to further explore the effective representation for multi-view data to enhance inter-cluster discriminability and intra-cluster compactness of features in multi-view clustering. Our framework comprises three modules: 1) The multi-view instance learning module aligns the consistent information while preserving the private features between views through reconstruction autoencoder and contrastive learning. 2) The bi-level decoupling of features and clusters enhances the discriminability of feature space and cluster space. 3) The consistency learning module treats the different views of the sample and their neighbors as positive pairs, learns the consistency of their clustering assignments, and further compresses the intra-cluster space. Experimental results on five benchmark datasets demonstrate the superiority of the proposed method compared with the SOTA methods. Our code is published on https://github.com/LouisDong95/BDCL.
• Abstract（参考訳）: マルチビュークラスタリングは,マルチビューデータの基盤となるパターンを解析するための有効な手法であることが示されている。 クラスタリングの性能は、マルチビュー機能間の一貫性と相補性を学ぶことで向上するが、クラスタ指向の表現学習はしばしば見過ごされる。 本稿では,マルチビュークラスタリングにおける特徴のクラスタ間識別性とクラスタ内コンパクト性を高めるために,マルチビューデータの効果的な表現を更に探求するバイレベルデカップリング・一貫性学習フレームワーク(BDCL)を提案する。 私たちのフレームワークは3つのモジュールで構成されています。 1)複数ビューのインスタンス学習モジュールは、再構成オートエンコーダとコントラスト学習を通して、ビュー間のプライベートな特徴を保ちながら、一貫性のある情報を整列する。 2) 特徴空間とクラスタの双方向分離により,特徴空間とクラスタ空間の識別性が向上する。 3) 整合学習モジュールは, サンプルとその近傍の異なるビューを正のペアとして扱い, クラスタリングの割り当ての整合性を学び, さらにクラスタ内空間を圧縮する。 5つのベンチマークデータセットによる実験結果から,SOTA法と比較して提案手法の優位性を示した。 私たちのコードはhttps://github.com/LouisDong95/BDCLで公開されています。

関連論文リスト

• Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning [65.75756724642932]
  不完全なマルチビュークラスタリングでは、欠落したデータがビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。 コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。 FreeCSLは、最先端の競合他社と比較して、IMVCタスクの信頼性と堅牢な割り当てを実現している。
  論文  参考訳（メタデータ） (2025-05-16T12:37:10Z)
• Balanced Multi-view Clustering [56.17836963920012]
  マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。 MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。 本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:42:47Z)
• Consistency Enhancement-Based Deep Multiview Clustering via Contrastive Learning [16.142448870120027]
  コントラスト学習(CCEC)による一貫した拡張型ディープMVC法を提案する。 具体的には、複数のビュー間の一貫性のある情報を保持するために、セマンティック接続ブロックを特徴表現に組み込む。 5つのデータセットで行った実験は、最先端(SOTA)手法と比較して、本手法の有効性と優位性を示した。
  論文  参考訳（メタデータ） (2024-01-23T10:56:01Z)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• MCoCo: Multi-level Consistency Collaborative Multi-view Clustering [15.743056561394612]
  マルチビュークラスタリングは、異なるビューからの一貫性のある情報を調べて、クラスタリングをガイドする。 マルチビュークラスタリングのための新しいMCoCo(Multi-level Consistency Collaborative Learning framework)を提案する。
  論文  参考訳（メタデータ） (2023-02-26T16:08:53Z)
• 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)

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。