論文の概要: Generative Diffusion Contrastive Network for Multi-View Clustering

• arxiv url: http://arxiv.org/abs/2509.09527v1
• Date: Thu, 11 Sep 2025 15:09:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.438157
• Title: Generative Diffusion Contrastive Network for Multi-View Clustering
• Title（参考訳）: マルチビュークラスタリングのための生成拡散コントラストネットワーク
• Authors: Jian Zhu, Xin Zou, Xi Wang, Ning Zhang, Bian Wu, Yao Yang, Ying Zhou, Lingfang Zeng, Chang Tang, Cheng Luo,
• Abstract要約: マルチビュークラスタリング(MVC)は、ディープラーニングの影響下で大幅に進歩している。 マルチビュー融合における低品質データの問題がある。 本稿では,この問題に対処する新しい生成拡散融合法を提案する。
• 参考スコア（独自算出の注目度）: 47.64980474826917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Multi-View Clustering (MVC) has been significantly advanced under the influence of deep learning. By integrating heterogeneous data from multiple views, MVC enhances clustering analysis, making multi-view fusion critical to clustering performance. However, there is a problem of low-quality data in multi-view fusion. This problem primarily arises from two reasons: 1) Certain views are contaminated by noisy data. 2) Some views suffer from missing data. This paper proposes a novel Stochastic Generative Diffusion Fusion (SGDF) method to address this problem. SGDF leverages a multiple generative mechanism for the multi-view feature of each sample. It is robust to low-quality data. Building on SGDF, we further present the Generative Diffusion Contrastive Network (GDCN). Extensive experiments show that GDCN achieves the state-of-the-art results in deep MVC tasks. The source code is publicly available at https://github.com/HackerHyper/GDCN.
• Abstract（参考訳）: 近年,Multi-View Clustering (MVC) は深層学習の影響下で著しく進歩している。 複数のビューから異種データを統合することにより、MVCはクラスタリング分析を強化し、クラスタリングのパフォーマンスにマルチビューの融合が重要になる。 しかし、マルチビュー融合における低品質データには問題がある。 この問題は、主に2つの理由から生じる。 1)ノイズデータにより特定のビューが汚染される。 2)データ不足に悩む意見もある。 本稿では,SGDF法(Stochastic Generative Diffusion Fusion)を提案する。 SGDFは、各サンプルの多視点特徴に複数の生成機構を利用する。 低品質のデータに対して堅牢である。 SGDF上に構築されたGDCN(Generative Diffusion Contrastive Network)について述べる。 大規模な実験は、GDCNが深いMVCタスクで最先端の結果を達成することを示している。 ソースコードはhttps://github.com/HackerHyper/GDCNで公開されている。

関連論文リスト

• Incomplete Multi-view Clustering via Diffusion Contrastive Generation [10.303281347345955]
  拡散コントラスト生成 (Diffusion Contrastive Generation, DCG) と呼ばれる新しいIMVC法を提案する。 DCGは分布特性を学習し、フォワード拡散および逆復調処理をビュー内データに適用することによりクラスタリングを強化する。 インスタンスレベルとカテゴリレベルの対話型学習を統合し、マルチビューデータで利用可能な一貫性のある補完的な情報を活用する。
  論文  参考訳（メタデータ） (2025-03-12T09:27:25Z)
• Trusted Mamba Contrastive Network for Multi-View Clustering [25.255009581305]
  マルチビュークラスタリングは、教師なしの方法でコンセンサス表現を学習することで、データサンプルをカテゴリに分割することができる。 本稿では,Trusted Mamba Contrastive Network (TMCN) と呼ばれる,この問題に対処する新しいマルチビュークラスタリングネットワークを提案する。 我々は、選択的なメカニズムにより、マルチビューデータの信頼融合を実現する新しいTrusted Mamba Fusion Network (TMFN)を提案する。
  論文  参考訳（メタデータ） (2024-12-21T05:04:36Z)
• CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
  我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。 ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。 人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:45:03Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• Unpaired Multi-View Graph Clustering with Cross-View Structure Matching [39.310384044597065]
  既存のMVCメソッドの多くは、マルチビューデータが完全にペアリングされていると仮定している。 データ通信は、データ破損やセンサーの違いにより、現実世界のアプリケーションでは不完全であることが多い。 本稿では,クロスビュー構造マッチングを用いたパラメータフリーグラフクラスタリングフレームワークUnpaired Multi-view Graph Clusteringフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-07T09:29:44Z)
• Error-Robust Multi-View Clustering: Progress, Challenges and Opportunities [67.54503077766171]
  ラベル情報は取得に費用がかかることが多いため、マルチビュークラスタリングが注目されている。 明示的なエラー除去定式化によるエラーロバストマルチビュークラスタリングアプローチは、5つの広範な研究カテゴリに構成できる。 この調査は、マルチビューデータに対するエラーロストクラスタリングの最近の進歩を要約し、レビューする。
  論文  参考訳（メタデータ） (2021-05-07T04:03:02Z)
• Consistency-aware and Inconsistency-aware Graph-based Multi-view Clustering [20.661025590877774]
  グラフベースのマルチビュークラスタリング(GMVC)は、統一行列と呼ばれる共有グラフ行列を活用することにより、最先端のパフォーマンスを実現する。 本稿では,複数ビューにまたがる一貫した不整合部分を含むGMVC法を提案する。 実世界のデータセットの数値評価は,提案したCI-GMVCの有効性を示す。
  論文  参考訳（メタデータ） (2020-11-25T06:00:42Z)
• 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。