論文の概要: Data-Adaptive Transformed Bilateral Tensor Low-Rank Representation for Clustering
- arxiv url: http://arxiv.org/abs/2510.20077v1
- Date: Wed, 22 Oct 2025 23:25:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:16.94208
- Title: Data-Adaptive Transformed Bilateral Tensor Low-Rank Representation for Clustering
- Title（参考訳）: クラスタリングのためのデータ適応変換バイラテラルテンソル低ランク表現
- Authors: Hui Chen, Xinjie Wang, Xianchao Xiu, Wanquan Liu,
- Abstract要約: 本稿では,TBTLRRと呼ばれる二元的低ランク表現モデルを提案する。
核ノルムを任意のユニタリユニタリで統合し、グローバルデータのより効果的なキャプチャを可能にする。
画像と潜時相関の局所的相関を利用することができる。
- 参考スコア（独自算出の注目度）: 17.14664384622625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tensor low-rank representation (TLRR) has demonstrated significant success in image clustering. However, most existing methods rely on fixed transformations and suffer from poor robustness to noise. In this paper, we propose a novel transformed bilateral tensor low-rank representation model called TBTLRR, which introduces a data-adaptive tensor nuclear norm by learning arbitrary unitary transforms, allowing for more effective capture of global correlations. In addition, by leveraging the bilateral structure of latent tensor data, TBTLRR is able to exploit local correlations between image samples and features. Furthermore, TBTLRR integrates the $\ell_{1/2}$-norm and Frobenius norm regularization terms for better dealing with complex noise in real-world scenarios. To solve the proposed nonconvex model, we develop an efficient optimization algorithm inspired by the alternating direction method of multipliers (ADMM) and provide theoretical convergence. Extensive experiments validate its superiority over the state-of-the-art methods in clustering. The code will be available at https://github.com/xianchaoxiu/TBTLRR.
- Abstract（参考訳）: テンソル低ランク表現(TLRR)は画像クラスタリングにおいて大きな成功を収めている。
しかし、既存のほとんどの手法は固定変換に依存しており、ノイズに対する頑丈さに悩まされている。
本稿では,任意のユニタリ変換を学習することで,データ適応型テンソル核ノルムを導入し,より効率的なグローバル相関の取得を可能にする,TBTLRRと呼ばれる新しい両側テンソル低ランク表現モデルを提案する。
さらに、遅延テンソルデータの両側構造を活用することで、TBTLRRは画像サンプルと特徴の局所的相関を利用することができる。
さらに、TBTLRRは$\ell_{1/2}$-normとFrobeniusのノルム正規化項を統合し、現実世界のシナリオにおける複雑なノイズの処理を改善する。
提案した非凸モデルを解決するために,乗算器の交互方向法(ADMM)に着想を得た効率的な最適化アルゴリズムを開発し,理論的収束を提供する。
大規模な実験はクラスタリングにおける最先端の手法よりも優れていることを検証している。
コードはhttps://github.com/xianchaoxiu/TBTLRRで入手できる。
関連論文リスト
- Graph-based Clustering Revisited: A Relaxation of Kernel $k$-Means Perspective [73.18641268511318]
本稿では,クラスタリング結果を導出するための正規制約のみを緩和するグラフベースのクラスタリングアルゴリズムを提案する。
二重制約を勾配に変換するために、非負の制約をクラス確率パラメータに変換する。
論文 参考訳（メタデータ） (2025-09-23T09:14:39Z) - Hyperspectral Anomaly Detection Fused Unified Nonconvex Tensor Ring Factors Regularization [37.478757438237714]
本稿では、統合された非スペクトルフレームワーク(TR)正規化因子を組み込んだHAD-EUNTRFRを提案する。
提案手法は,既存のSOTA(State-of-the-art)アプローチを項項の精度で上回る。
論文 参考訳（メタデータ） (2025-05-23T13:31:13Z) - Irregular Tensor Low-Rank Representation for Hyperspectral Image Representation [71.69331824668954]
スペクトル変動は、ハイパースペクトル画像(HSI)解析において共通の課題となる
低ランクテンソル表現は、HSIデータに固有の相関を利用して、堅牢な戦略として登場した。
本研究では,不規則な3次元立方体を効率的にモデル化するために,不規則なテンソルローランク表現のための新しいモデルを提案する。
論文 参考訳（メタデータ） (2024-10-24T02:56:22Z) - Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。
最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
論文 参考訳（メタデータ） (2023-10-20T12:45:12Z) - Alternating minimization algorithms for graph regularized tensor
completion [8.26185178671935]
我々は、低ランクテンソル完備化(LRTC)に対するカノニカルポリアディック(CP)分解法を考える。
グラフ正規化の使用にはLRTCの学習精度のメリットが伴うが、同時に結合グラフラプラシア語を誘導する。
基礎となるCP分解モデルにおけるブロック構造を利用して, 効率の良い同期最小化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-28T23:20:49Z) - A Unified Framework for Coupled Tensor Completion [42.19293115131073]
結合テンソル分解は、潜在結合因子に由来する事前知識を組み込むことで、結合データ構造を明らかにする。
TRは強力な表現能力を持ち、いくつかの多次元データ処理アプリケーションで成功している。
提案手法は, 合成データに関する数値実験で検証され, 実世界のデータに対する実験結果は, 回収精度の観点から, 最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-01-09T02:15:46Z)
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。