論文の概要: Adversarial Graph Fusion for Incomplete Multi-view Semi-supervised Learning with Tensorial Imputation

• arxiv url: http://arxiv.org/abs/2509.15955v1
• Date: Fri, 19 Sep 2025 13:12:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.173232
• Title: Adversarial Graph Fusion for Incomplete Multi-view Semi-supervised Learning with Tensorial Imputation
• Title（参考訳）: Tensorial Imputation を用いた不完全多視点半教師あり学習のための逆グラフ融合法
• Authors: Zhangqi Jiang, Tingjin Luo, Xu Yang, Xinyan Liang,
• Abstract要約: ビューの欠如は、グラフベースの多視点半教師あり学習において重要な課題である。 本稿では, AGF-TI と呼ばれる新しい不完全多視点半教師付き学習手法を提案する。
• 参考スコア（独自算出の注目度）: 22.080075025365208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: View missing remains a significant challenge in graph-based multi-view semi-supervised learning, hindering their real-world applications. To address this issue, traditional methods introduce a missing indicator matrix and focus on mining partial structure among existing samples in each view for label propagation (LP). However, we argue that these disregarded missing samples sometimes induce discontinuous local structures, i.e., sub-clusters, breaking the fundamental smoothness assumption in LP. Consequently, such a Sub-Cluster Problem (SCP) would distort graph fusion and degrade classification performance. To alleviate SCP, we propose a novel incomplete multi-view semi-supervised learning method, termed AGF-TI. Firstly, we design an adversarial graph fusion scheme to learn a robust consensus graph against the distorted local structure through a min-max framework. By stacking all similarity matrices into a tensor, we further recover the incomplete structure from the high-order consistency information based on the low-rank tensor learning. Additionally, the anchor-based strategy is incorporated to reduce the computational complexity. An efficient alternative optimization algorithm combining a reduced gradient descent method is developed to solve the formulated objective, with theoretical convergence. Extensive experimental results on various datasets validate the superiority of our proposed AGF-TI as compared to state-of-the-art methods. Code is available at https://github.com/ZhangqiJiang07/AGF_TI.
• Abstract（参考訳）: ビューの欠如は、グラフベースの半教師付き学習において重要な課題であり、現実のアプリケーションを妨げる。 この問題に対処するため,従来の手法では,ラベル伝搬 (LP) のそれぞれのビューにおいて,既存のサンプル間の部分的構造のマイニングに重点を置いている。 しかし、これらの無視された欠落サンプルは時々不連続な局所構造、すなわちサブクラスタを誘導し、LPの基本的な滑らかさの仮定を破る。 その結果、サブクラスタ問題(SCP)はグラフ融合を歪曲し、分類性能を低下させる。 SCP を緩和するために,AGF-TI と呼ばれる新しい不完全多視点半教師付き学習手法を提案する。 まず、逆グラフ融合方式を設計し、min-maxフレームワークを用いて歪んだ局所構造に対して頑健なコンセンサスグラフを学習する。 すべての類似度行列をテンソルに積み重ねることで、低ランクテンソル学習に基づく高階整合情報から不完全構造を復元する。 さらに、計算複雑性を低減するためにアンカーベースの戦略が組み込まれている。 定式化目的を理論的収束で解くために, 還元勾配降下法を組み合わせた効率的な代替最適化アルゴリズムを開発した。 各種データセットの総合的な実験結果から, 提案した AGF-TI の精度を最先端の手法と比較した。 コードはhttps://github.com/ZhangqiJiang07/AGF_TIで入手できる。

関連論文リスト

• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Joint Tensor and Inter-View Low-Rank Recovery for Incomplete Multiview Clustering [35.261304932451544]
  本稿では、不完全なマルチビュークラスタリングのための新しいジョイントテンソルとビュー間低ランクリカバリ(JTIV-LRR)を提案する。 クラスタリングの精度とロバスト性は最先端の手法に比べて大幅に改善されている。
  論文  参考訳（メタデータ） (2025-03-04T09:50:59Z)
• 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)
• Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
  グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。 本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。 我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2024-07-09T10:42:19Z)
• Joint Projection Learning and Tensor Decomposition Based Incomplete Multi-view Clustering [21.925066554821168]
  不完全なマルチビュークラスタリングのための新しい統合投影分解法(JPLTD)を提案する。 JPLTDは高次元データにおける冗長な特徴やノイズの影響を軽減する。 いくつかのベンチマークデータセットの実験では、JPLTDが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2023-10-06T06:19:16Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Multi-mode Core Tensor Factorization based Low-Rankness and Its Applications to Tensor Completion [0.0]
  低ランクテンソル補完はコンピュータや機械学習で広く使われている。 本稿では,マルチモーダルテンソル化アルゴリズム(MCTF)と低ランク度尺度を併用し,より優れた非スペクトル緩和形式を提案する。
  論文  参考訳（メタデータ） (2020-12-03T13:57:00Z)

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。