論文の概要: Center-Oriented Prototype Contrastive Clustering

• arxiv url: http://arxiv.org/abs/2508.15231v1
• Date: Thu, 21 Aug 2025 04:41:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.184156
• Title: Center-Oriented Prototype Contrastive Clustering
• Title（参考訳）: 中心指向型コントラストクラスタリング
• Authors: Shihao Dong, Xiaotong Zhou, Yuhui Zheng, Huiying Xu, Xinzhong Zhu,
• Abstract要約: 本稿では,中心指向型コントラストクラスタリングフレームワークを提案する。 ソフトプロトタイプコントラストモジュールは、サンプルがクラスタセンターに属する確率を重みとして、各カテゴリのプロトタイプを計算する。 二重整合学習モジュールは、同じサンプルの異なる変換と異なるサンプルの近傍をそれぞれ整列し、特徴が変換不変な意味情報を持つことを保証する。
• 参考スコア（独自算出の注目度）: 15.958186213461863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrastive learning is widely used in clustering tasks due to its discriminative representation. However, the conflict problem between classes is difficult to solve effectively. Existing methods try to solve this problem through prototype contrast, but there is a deviation between the calculation of hard prototypes and the true cluster center. To address this problem, we propose a center-oriented prototype contrastive clustering framework, which consists of a soft prototype contrastive module and a dual consistency learning module. In short, the soft prototype contrastive module uses the probability that the sample belongs to the cluster center as a weight to calculate the prototype of each category, while avoiding inter-class conflicts and reducing prototype drift. The dual consistency learning module aligns different transformations of the same sample and the neighborhoods of different samples respectively, ensuring that the features have transformation-invariant semantic information and compact intra-cluster distribution, while providing reliable guarantees for the calculation of prototypes. Extensive experiments on five datasets show that the proposed method is effective compared to the SOTA. Our code is published on https://github.com/LouisDong95/CPCC.
• Abstract（参考訳）: コントラスト学習は、識別的表現のためにクラスタリングタスクに広く使用されている。 しかし, クラス間の衝突問題を効果的に解決することは困難である。 既存の手法では、プロトタイプコントラストを用いてこの問題を解こうとしているが、ハードプロトタイプの計算と真のクラスタセンターの間にはずれがある。 この問題に対処するために,ソフトプロトタイプコントラスト学習モジュールとデュアル一貫性学習モジュールからなる,中心指向型コントラストクラスタリングフレームワークを提案する。 簡単に言うと、ソフトプロトタイプコントラッシブモジュールは、サンプルがクラスタセンターに属する確率を重みとして、クラス間の衝突を回避し、プロトタイプドリフトを減らすとともに、各カテゴリのプロトタイプを計算する。 二重整合学習モジュールは、それぞれ同じサンプルの異なる変換と異なるサンプルの近傍の変換を整列し、それらの特徴が変換不変な意味情報とコンパクトなクラスタ内分布を持つことを保証するとともに、プロトタイプの計算に対する確実な保証を提供する。 5つのデータセットに対する大規模な実験により,提案手法はSOTAと比較して有効であることが示された。 私たちのコードはhttps://github.com/LouisDong95/CPCCで公開されています。

関連論文リスト

• Learning Clustering-based Prototypes for Compositional Zero-shot Learning [56.57299428499455]
  ClusProは、コンポジションゼロショット学習のための堅牢なクラスタリングベースのプロトタイプマイニングフレームワークである。 それは、多様化されたプロトタイプの集合を通じて、プリミティブの概念的境界を定義する。 ClusProは、学習可能なパラメータを追加することなく、非パラメトリックな方法でプロトタイプクラスタリングを効率的に実行する。
  論文  参考訳（メタデータ） (2025-02-10T14:20:01Z)
• FedSA: A Unified Representation Learning via Semantic Anchors for Prototype-based Federated Learning [4.244188591221394]
  本稿では,FedSA(Federated Learning via Semantic Anchors)という新しいフレームワークを提案する。 FedSAは、様々な分類タスクにおいて、既存のプロトタイプベースのFLメソッドを著しく上回っている。
  論文  参考訳（メタデータ） (2025-01-09T16:10:03Z)
• An Enhanced Federated Prototype Learning Method under Domain Shift [36.73020712815063]
  Federated Learning (FL)は、プライベートデータを共有することなく、協調的な機械学習トレーニングを可能にする。 最近の論文では、分散対応のデュアルレベルプロトタイプクラスタリングを導入し、新しい$alpha$-sparsityプロトタイプロスを用いる。 Digit-5、Office-10、DomainNetデータセットの評価は、我々の手法が既存のアプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-27T09:28:27Z)
• Learning Commonality, Divergence and Variety for Unsupervised Visible-Infrared Person Re-identification [32.537029197752915]
  教師なし可視人物再識別(USVI-ReID)は、赤外線画像中の特定人物とアノテーションなしで可視画像とをマッチングすることを目的としており、その逆も目的である。 既存のほとんどのメソッドは、クラスタベースのコントラスト学習を使用してUSVI-ReIDに対処する。 我々は,USVI-ReIDのためのハードおよびダイナミックプロトタイプを用いたプログレッシブコントラスト学習を提案する。
  論文  参考訳（メタデータ） (2024-02-29T10:37:49Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• Prototypical Calibration for Few-shot Learning of Language Models [84.5759596754605]
  GPTライクなモデルは、さまざまな手作りテンプレートやデモ順列にまたがる脆弱であると認識されている。 ゼロショットと少数ショットの分類において、より堅牢な決定境界を適応的に学習するためのプロトタイプキャリブレーションを提案する。 提案手法は決定境界を期待通りに校正し,テンプレート,置換,クラス不均衡に対するGPTの堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-05-20T13:50:07Z)
• Exploring Non-Contrastive Representation Learning for Deep Clustering [23.546602131801205]
  ディープクラスタリングのための非コントラスト表現学習は、負の例のない代表的手法であるBYOLに基づいている。 NCCは、すべてのクラスタが十分に分離され、クラスタ内の例がコンパクトな埋め込み空間を形成する。 ImageNet-1Kを含むいくつかのクラスタリングベンチマークデータセットの実験結果は、NCCが最先端の手法よりかなり優れていることを示している。
  論文  参考訳（メタデータ） (2021-11-23T12:21:53Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS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） (2021-11-09T08:14:50Z)

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。