論文の概要: Clustering Result Re-guided Incomplete Multi-view Spectral Clustering

• arxiv url: http://arxiv.org/abs/2510.09959v1
• Date: Sat, 11 Oct 2025 02:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.713428
• Title: Clustering Result Re-guided Incomplete Multi-view Spectral Clustering
• Title（参考訳）: 再誘導された不完全多視点スペクトルクラスタリングのクラスタリング
• Authors: Jun Yin, Runcheng Cai, Shiliang Sun,
• Abstract要約: 我々は、再ガイドされた不完全なマルチビュースペクトルクラスタリング(CRG_IMSC)を提案する。 CRG_IMSCは、抽出した特徴に非負の制約を課することにより、クラスタリング結果を直接取得する。 スペクトルクラスタリングの結果に応じて接続行列を構築し、自己表現の残余を最小化する。
• 参考スコア（独自算出の注目度）: 35.385466735523046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incomplete multi-view spectral clustering generalizes spectral clustering to multi-view data and simultaneously realizes the partition of multi-view data with missing views. For this category of method, K-means algorithm needs to be performed to generate the clustering result after the procedure of feature extraction. More importantly, the connectivity of samples reflected by the clustering result is not utilized effectively. To overcome these defects, we propose Clustering Result re-Guided Incomplete Multi-view Spectral Clustering (CRG_IMSC). CRG_IMSC obtains the clustering result directly by imposing nonnegative constraint to the extracted feature. Furthermore, it constructs the connectivity matrix according to the result of spectral clustering, and minimizes the residual of self-representation based on the connectivity matrix. A novel iterative algorithm using multiplicative update is developed to solve the optimization problem of CRG_IMSC, and its convergence is proved rigorously. On benchmark datasets, for multi-view data, CRG_IMSC performs better than state-of-the-art clustering methods, and the experimental results also demonstrate the convergence of CRG_IMSC algorithm.
• Abstract（参考訳）: 不完全なマルチビュースペクトルクラスタリングは、スペクトルクラスタリングを多ビューデータに一般化し、同時に、欠落したビューを伴うマルチビューデータの分割を実現する。 このカテゴリの手法では、特徴抽出の手順後にクラスタリング結果を生成するために、K-meansアルゴリズムを実行する必要がある。 さらに、クラスタリング結果によって反映されるサンプルの接続性は、効果的に利用されない。 これらの欠陥を克服するために、Clustering Result re-Guided Incomplete Multi-view Spectral Clustering (CRG_IMSC)を提案する。 CRG_IMSCは、抽出した特徴に非負の制約を課することにより、クラスタリング結果を直接取得する。 さらに、スペクトルクラスタリングの結果に応じて接続行列を構築し、接続行列に基づいて自己表現の残余を最小化する。 CRG_IMSCの最適化問題を解くために、乗法更新を用いた新しい反復アルゴリズムを開発し、その収束性を厳密に証明する。 ベンチマークデータセットでは、マルチビューデータに対してCRG_IMSCは最先端のクラスタリング手法よりも優れており、実験結果もまたCRG_IMSCアルゴリズムの収束を実証している。

関連論文リスト

• Unsupervised Learning: Comparative Analysis of Clustering Techniques on High-Dimensional Data [0.29465623430708915]
  本稿では,高次元データセット上でのK平均,DBSCAN,スペクトルクラスタリングを包括的に解析する。 本稿では,複数次元削減技術を用いたクラスタリング性能の評価を行う新しい評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-29T20:38:04Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• One-Step Late Fusion Multi-view Clustering with Compressed Subspace [29.02032034647922]
  圧縮部分空間を用いたワンステップレイトフュージョンマルチビュークラスタリング(OS-LFMVC-CS)という統合フレームワークを提案する。 コンセンサス部分空間を用いて分割行列を整列し、分割融合を最適化し、融合分割行列を用いて離散ラベルの学習を指導する。
  論文  参考訳（メタデータ） (2024-01-03T06:18:30Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• 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)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• CAST: A Correlation-based Adaptive Spectral Clustering Algorithm on Multi-scale Data [34.89460002735166]
  マルチスケールクラスタデータにスペクトルクラスタリングを適用する際の問題点について検討する。 マルチスケールデータの場合、スパースクラスタのオブジェクトが遠く離れているため、距離ベースの類似性は有効ではない。 係数行列を正規化するためにトレースラッソを適用するアルゴリズムCASTを提案する。
  論文  参考訳（メタデータ） (2020-06-08T09:46:35Z)

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。