論文の概要: Generalized Deep Multi-view Clustering via Causal Learning with Partially Aligned Cross-view Correspondence

• arxiv url: http://arxiv.org/abs/2509.16022v1
• Date: Fri, 19 Sep 2025 14:31:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.202278
• Title: Generalized Deep Multi-view Clustering via Causal Learning with Partially Aligned Cross-view Correspondence
• Title（参考訳）: 部分アライズされたクロスビュー対応を用いた因果学習による一般化された深層多視点クラスタリング
• Authors: Xihong Yang, Siwei Wang, Jiaqi Jin, Fangdi Wang, Tianrui Liu, Yueming Jin, Xinwang Liu, En Zhu, Kunlun He,
• Abstract要約: マルチビュークラスタリング(MVC)は、複数のビューにまたがる共通のクラスタリング構造を検討することを目的としている。 しかし、現実のシナリオは、部分的なデータだけが異なるビューに一貫して整合しているため、しばしば課題となる。 我々は,CauMVCと呼ばれる因果的マルチビュークラスタリングネットワークを設計し,この問題に対処する。
• 参考スコア（独自算出の注目度）: 72.41989962665285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering (MVC) aims to explore the common clustering structure across multiple views. Many existing MVC methods heavily rely on the assumption of view consistency, where alignments for corresponding samples across different views are ordered in advance. However, real-world scenarios often present a challenge as only partial data is consistently aligned across different views, restricting the overall clustering performance. In this work, we consider the model performance decreasing phenomenon caused by data order shift (i.e., from fully to partially aligned) as a generalized multi-view clustering problem. To tackle this problem, we design a causal multi-view clustering network, termed CauMVC. We adopt a causal modeling approach to understand multi-view clustering procedure. To be specific, we formulate the partially aligned data as an intervention and multi-view clustering with partially aligned data as an post-intervention inference. However, obtaining invariant features directly can be challenging. Thus, we design a Variational Auto-Encoder for causal learning by incorporating an encoder from existing information to estimate the invariant features. Moreover, a decoder is designed to perform the post-intervention inference. Lastly, we design a contrastive regularizer to capture sample correlations. To the best of our knowledge, this paper is the first work to deal generalized multi-view clustering via causal learning. Empirical experiments on both fully and partially aligned data illustrate the strong generalization and effectiveness of CauMVC.
• Abstract（参考訳）: マルチビュークラスタリング(MVC)は、複数のビューにまたがる共通のクラスタリング構造を検討することを目的としている。 既存のMVCメソッドの多くは、ビューの一貫性の前提に大きく依存しており、様々なビューにまたがる対応するサンプルのアライメントが事前に順序付けられています。 しかし、実際のシナリオは、部分的なデータだけがさまざまなビューに一貫して整合しているため、クラスタリング全体のパフォーマンスが制限されるため、しばしば課題となる。 本研究では,データ順序シフトによるモデル性能低下現象を一般化されたマルチビュークラスタリング問題として考察する。 この問題に対処するため,我々はCauMVCと呼ばれる因果的マルチビュークラスタリングネットワークを設計した。 我々はマルチビュークラスタリングの手順を理解するために因果モデリングアプローチを採用する。 具体的には、部分的に整列したデータを介入として定式化し、相互干渉後の推論として部分的に整列したデータを多視点クラスタリングする。 しかし、不変機能を直接入手することは困難である。 そこで我々は既存の情報からエンコーダを組み込んで因果学習のための変分自動エンコーダを設計し,その不変性を推定する。 さらに、デコーダは、インターベンション後の推論を実行するように設計されている。 最後に、サンプル相関をキャプチャする対照的な正則化器を設計する。 我々の知る限り、本論文は因果学習を通じて一般化されたマルチビュークラスタリングを扱う最初の研究である。 完全および部分整列データの実証実験は、CauMVCの強い一般化と有効性を示している。

関連論文リスト

• Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance [69.58609684008964]
  本稿では,distriBution dUal-Consistency Recovery Guidanceを用いた不完全なマルチビュークラスタリング手法であるBURGを提案する。 我々は,各サンプルを別カテゴリとして扱い,欠落したビューの分布空間を予測するために,クロスビュー配信を行う。 信頼性の高いカテゴリ情報の欠如を補うために,隣り合った整合性によって案内されるビュー内アライメントと,プロトタイプ的な整合性によって案内されるクロスビューアライメントを含む二重整合性ガイド付きリカバリ戦略を設計する。
  論文  参考訳（メタデータ） (2025-03-14T02:27:45Z)
• Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment [50.82982601256481]
  深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。 従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
  論文  参考訳（メタデータ） (2023-03-28T02:31:57Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Deep Multi-View Semi-Supervised Clustering with Sample Pairwise Constraints [10.226754903113164]
  本稿では,ネットワークファインタニングにおける3種類の損失を協調的に最適化するDMSC法を提案する。 提案手法は,最先端のマルチビューやシングルビューの競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-10T08:51:56Z)
• Incomplete Multi-view Clustering via Cross-view Relation Transfer [41.17336912278538]
  クロスビュー・リレーション・トランスファーとマルチビュー・フュージョン・ラーニングを組み合わせた,新しい不完全なマルチビュー・クラスタリング・フレームワークを提案する。 複数の実データを用いて実験を行い,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-12-01T14:28:15Z)
• 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。