論文の概要: Incomplete Multi-view Clustering via Hierarchical Semantic Alignment and Cooperative Completion

• arxiv url: http://arxiv.org/abs/2510.13887v1
• Date: Tue, 14 Oct 2025 02:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.512617
• Title: Incomplete Multi-view Clustering via Hierarchical Semantic Alignment and Cooperative Completion
• Title（参考訳）: 階層的セマンティックアライメントと協調補完による不完全多視点クラスタリング
• Authors: Xiaojian Ding, Lin Zhao, Xian Li, Xiaoying Zhu,
• Abstract要約: 本稿では,階層的セマンティックアライメントと協調補完(HSACC)に基づく,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。 HSACCはデュアルレベルのセマンティック空間設計により、堅牢なクロスビュー融合を実現する。 実験の結果、HSACCは5つのベンチマークデータセットで最先端の手法を著しく上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 13.39263294343983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incomplete multi-view data, where certain views are entirely missing for some samples, poses significant challenges for traditional multi-view clustering methods. Existing deep incomplete multi-view clustering approaches often rely on static fusion strategies or two-stage pipelines, leading to suboptimal fusion results and error propagation issues. To address these limitations, this paper proposes a novel incomplete multi-view clustering framework based on Hierarchical Semantic Alignment and Cooperative Completion (HSACC). HSACC achieves robust cross-view fusion through a dual-level semantic space design. In the low-level semantic space, consistency alignment is ensured by maximizing mutual information across views. In the high-level semantic space, adaptive view weights are dynamically assigned based on the distributional affinity between individual views and an initial fused representation, followed by weighted fusion to generate a unified global representation. Additionally, HSACC implicitly recovers missing views by projecting aligned latent representations into high-dimensional semantic spaces and jointly optimizes reconstruction and clustering objectives, enabling cooperative learning of completion and clustering. Experimental results demonstrate that HSACC significantly outperforms state-of-the-art methods on five benchmark datasets. Ablation studies validate the effectiveness of the hierarchical alignment and dynamic weighting mechanisms, while parameter analysis confirms the model's robustness to hyperparameter variations.
• Abstract（参考訳）: ある種のビューが完全に欠落している不完全なマルチビューデータは、従来のマルチビュークラスタリング手法に重大な課題をもたらす。 既存の深い不完全なマルチビュークラスタリングアプローチは、しばしば静的な融合戦略や2段階のパイプラインに依存し、最適以下の融合結果とエラーの伝播問題を引き起こす。 本稿では,階層的セマンティックアライメントと協調補完(HSACC)に基づく,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。 HSACCはデュアルレベルのセマンティック空間設計により、堅牢なクロスビュー融合を実現する。 低レベルのセマンティック空間では、ビュー間の相互情報を最大化することで整合性を確保する。 高レベルセマンティック空間では、個別のビューと初期融合表現との分布親和性に基づいて適応的なビューウェイトを動的に割り当て、次いで重み付き融合を行い、統一されたグローバル表現を生成する。 さらに、HSACCは、アライメントされた潜在表現を高次元の意味空間に投影することで、行方不明のビューを暗黙的に復元し、再構築とクラスタリングの目的を共同で最適化し、完了とクラスタリングの協調学習を可能にする。 実験の結果、HSACCは5つのベンチマークデータセットで最先端の手法を著しく上回っていることがわかった。 アブレーション研究は階層的アライメントと動的重み付け機構の有効性を検証し、パラメータ解析はモデルがハイパーパラメータ変動に対して頑健であることを確認する。

関連論文リスト

• Generalized Deep Multi-view Clustering via Causal Learning with Partially Aligned Cross-view Correspondence [72.41989962665285]
  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。
  論文  参考訳（メタデータ） (2025-09-19T14:31:40Z)
• Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning [65.75756724642932]
  不完全なマルチビュークラスタリングでは、欠落したデータがビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。 コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。 FreeCSLは、最先端の競合他社と比較して、IMVCタスクの信頼性と堅牢な割り当てを実現している。
  論文  参考訳（メタデータ） (2025-05-16T12:37:10Z)
• 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)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• Efficient and Effective Deep Multi-view Subspace Clustering [9.6753782215283]
  E$2$MVSC(Efficient and Effective Deep Multi-View Subspace Clustering)と呼ばれる新しいディープフレームワークを提案する。 パラメータ化されたFC層の代わりに、より計算効率のよいサンプル数からネットワークパラメータスケールを分離するRelation-Metric Netを設計する。 E$2$MVSCは既存のメソッドに匹敵する結果を出し、様々なタイプのマルチビューデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-15T03:08:25Z)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• A Clustering-guided Contrastive Fusion for Multi-view Representation Learning [7.630965478083513]
  本稿では、ビュー固有表現をビュー共通表現に融合する深層融合ネットワークを提案する。 また、ビュー共通表現とビュー固有表現を一致させる非対称なコントラスト戦略を設計する。 不完全な視点では,提案手法は競合相手よりもノイズ干渉に抵抗する。
  論文  参考訳（メタデータ） (2022-12-28T07:21:05Z)
• 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)
• Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
  本稿では,最適コンセンサスを近似する凝集分析法を提案する。 本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
  論文  参考訳（メタデータ） (2020-05-12T05:39:10Z)

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。