論文の概要: One-step Multi-view Clustering With Adaptive Low-rank Anchor-graph Learning
- arxiv url: http://arxiv.org/abs/2509.14724v1
- Date: Thu, 18 Sep 2025 08:17:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-19 17:26:53.119148
- Title: One-step Multi-view Clustering With Adaptive Low-rank Anchor-graph Learning
- Title（参考訳）: 適応型低ランクアンカーグラフ学習を用いた一段階多視点クラスタリング
- Authors: Zhiyuan Xue, Ben Yang, Xuetao Zhang, Fei Wang, Zhiping Lin,
- Abstract要約: 適応型低ランクアンカーグラフ学習(OMCAL)を用いた一段階のマルチビュークラスタリング手法を開発した。
高品質なCAGを構築するために、OMCALは、情報冗長性とノイズ干渉に対する核ノルムに基づく適応CAG学習モデルを提供する。
OMCALはクラスタリングの有効性と効率の点で既存の最先端手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 10.643345522653949
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In light of their capability to capture structural information while reducing computing complexity, anchor graph-based multi-view clustering (AGMC) methods have attracted considerable attention in large-scale clustering problems. Nevertheless, existing AGMC methods still face the following two issues: 1) They directly embedded diverse anchor graphs into a consensus anchor graph (CAG), and hence ignore redundant information and numerous noises contained in these anchor graphs, leading to a decrease in clustering effectiveness; 2) They drop effectiveness and efficiency due to independent post-processing to acquire clustering indicators. To overcome the aforementioned issues, we deliver a novel one-step multi-view clustering method with adaptive low-rank anchor-graph learning (OMCAL). To construct a high-quality CAG, OMCAL provides a nuclear norm-based adaptive CAG learning model against information redundancy and noise interference. Then, to boost clustering effectiveness and efficiency substantially, we incorporate category indicator acquisition and CAG learning into a unified framework. Numerous studies conducted on ordinary and large-scale datasets indicate that OMCAL outperforms existing state-of-the-art methods in terms of clustering effectiveness and efficiency.
- Abstract（参考訳）: 計算複雑性を低減しつつ構造情報をキャプチャする能力から,大規模クラスタリング問題において,アンカーグラフベースのマルチビュークラスタリング(AGMC)手法が注目されている。
それでも、既存のAGMCメソッドは以下の2つの問題に直面している。
1) 多様なアンカーグラフを直接コンセンサスアンカーグラフ(CAG)に埋め込むことにより,これらのアンカーグラフに含まれる冗長な情報や多数のノイズを無視し,クラスタリングの有効性を低下させる。
2) クラスタリング指標を取得するために, 独立処理による有効性と効率を低下させる。
上記の問題を克服するために,適応型低ランクアンカーグラフ学習(OMCAL)を用いた一段階のマルチビュークラスタリング手法を提案する。
高品質なCAGを構築するために、OMCALは、情報冗長性とノイズ干渉に対する核ノルムに基づく適応CAG学習モデルを提供する。
そして,クラスタリングの有効性と効率を大幅に向上させるために,カテゴリインジケータの獲得とCAG学習を統合フレームワークに組み込む。
OMCALはクラスタリングの有効性と効率の点で既存の最先端手法よりも優れていることを示す。
関連論文リスト
- Attributed Graph Clustering with Multi-Scale Weight-Based Pairwise Coarsening and Contrastive Learning [6.98736148799344]
本研究では,MPCCLモデルを提案する。
MPCCLは、長距離依存性、機能崩壊、情報損失など、既存の手法における重要なギャップを埋める。
MPCCLは、ACMデータセット上でのNMIの顕著な15.24%の増加を含む、クラスタリング性能の大幅な改善を実現している。
論文 参考訳（メタデータ） (2025-07-28T03:59:57Z) - Dual Boost-Driven Graph-Level Clustering Network [17.423787223848453]
本稿では,グラフレベルのクラスタリングを交互に促進し,干渉情報をフィルタリングするDual Boost-Driven Graph-Level Clustering Network (DBGCN)を提案する。
プーリングのステップでは、グローバルな特徴の寄与を評価し、学習可能な変換行列を用いてそれらを最適化する。
まず、グラフレベルの表現の類似性を評価することにより、クラスタリングに有害な情報を識別し、抑制する。
論文 参考訳（メタデータ） (2025-04-08T04:32:46Z) - Towards Learnable Anchor for Deep Multi-View Clustering [49.767879678193005]
本稿では,線形時間でクラスタリングを行うDeep Multi-view Anchor Clustering (DMAC)モデルを提案する。
最適なアンカーを用いて、全サンプルグラフを計算し、クラスタリングのための識別的埋め込みを導出する。
いくつかのデータセットの実験では、最先端の競合に比べてDMACの性能と効率が優れていることが示されている。
論文 参考訳（メタデータ） (2025-03-16T09:38:11Z) - Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。
既存のSHGLメソッドには2つの大きな制限がある。
ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2024-12-01T09:33:20Z) - RDSA: A Robust Deep Graph Clustering Framework via Dual Soft Assignment [18.614842530666834]
我々は、Dual Soft Assignment (RDSA)を介してRobust Deep Graph Clustering Frameworkと呼ばれる新しいフレームワークを導入する。
RDSAは3つの主要なコンポーネントから構成される: (i) グラフのトポロジ的特徴とノード属性を効果的に統合するノード埋め込みモジュール、 (ii) ノード割り当てに親和性行列を利用することでグラフモジュラリティを改善する構造ベースのソフトアサインモジュール、 (iii) コミュニティランドマークを識別し、モデルの堅牢性を高めるためにノード割り当てを洗練させるノードベースのソフトアサインモジュール。
我々はRDSAを実世界の様々なデータセットで評価し、既存の状態と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-29T05:18:34Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - Efficient Multi-View Graph Clustering with Local and Global Structure
Preservation [59.49018175496533]
局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。
具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。
さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
論文 参考訳（メタデータ） (2023-08-31T12:12:30Z) - Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。
我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。
提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
論文 参考訳（メタデータ） (2021-11-10T06:53:03Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z)
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。