論文の概要: MCFCN: Multi-View Clustering via a Fusion-Consensus Graph Convolutional Network

• arxiv url: http://arxiv.org/abs/2511.05554v1
• Date: Mon, 03 Nov 2025 14:46:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.432748
• Title: MCFCN: Multi-View Clustering via a Fusion-Consensus Graph Convolutional Network
• Title（参考訳）: MCFCN:Fusion-Consensus Graph Convolutional Networkによるマルチビュークラスタリング
• Authors: Chenping Pei, Fadi Dornaika, Jingjun Bi,
• Abstract要約: マルチビュークラスタリングを改善するために, MCFCN (Fusion-Consensus Graph Convolutional Network) を提案する。 マルチビューデータのコンセンサスグラフをエンドツーエンドで学習し、効果的なコンセンサス表現を学習する。 MCFCNは8つのマルチビューベンチマークデータセットで最先端のパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 9.300953069946969
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Existing Multi-view Clustering (MVC) methods based on subspace learning focus on consensus representation learning while neglecting the inherent topological structure of data. Despite the integration of Graph Neural Networks (GNNs) into MVC, their input graph structures remain susceptible to noise interference. Methods based on Multi-view Graph Refinement (MGRC) also have limitations such as insufficient consideration of cross-view consistency, difficulty in handling hard-to-distinguish samples in the feature space, and disjointed optimization processes caused by graph construction algorithms. To address these issues, a Multi-View Clustering method via a Fusion-Consensus Graph Convolutional Network (MCFCN) is proposed. The network learns the consensus graph of multi-view data in an end-to-end manner and learns effective consensus representations through a view feature fusion model and a Unified Graph Structure Adapter (UGA). It designs Similarity Matrix Alignment Loss (SMAL) and Feature Representation Alignment Loss (FRAL). With the guidance of consensus, it optimizes view-specific graphs, preserves cross-view topological consistency, promotes the construction of intra-class edges, and realizes effective consensus representation learning with the help of GCN to improve clustering performance. MCFCN demonstrates state-of-the-art performance on eight multi-view benchmark datasets, and its effectiveness is verified by extensive qualitative and quantitative implementations. The code will be provided at https://github.com/texttao/MCFCN.
• Abstract（参考訳）: サブスペース学習に基づく既存のマルチビュークラスタリング(MVC)手法は,データ固有のトポロジ的構造を無視しつつ,コンセンサス表現学習に重点を置いている。 グラフニューラルネットワーク(GNN)をMVCに統合したものの、入力グラフ構造はノイズ干渉の影響を受けやすいままである。 MGRC(Multi-view Graph Refinement)に基づく手法には、クロスビュー一貫性の考慮不足、特徴空間における識別困難なサンプルの扱いの難しさ、グラフ構築アルゴリズムによる解離した最適化プロセスなどの制限がある。 これらの問題に対処するために,Fusion-Consensus Graph Convolutional Network (MCFCN) を用いたマルチビュークラスタリング手法を提案する。 ネットワークは、多視点データのコンセンサスグラフをエンドツーエンドに学習し、ビュー特徴融合モデルと統一グラフ構造アダプタ(UGA)を介して効果的なコンセンサス表現を学習する。 類似行列アライメント・ロス(SMAL)と特徴表現アライメント・ロス(FRAL)を設計している。 コンセンサスのガイダンスにより、ビュー固有のグラフを最適化し、クロスビューのトポロジ的一貫性を維持し、クラス内エッジの構築を促進し、GCNの助けを借りて効果的なコンセンサス表現学習を実現し、クラスタリング性能を向上させる。 MCFCNは8つのマルチビューベンチマークデータセットに対して最先端の性能を示し、その有効性は広範囲な定性的かつ定量的な実装によって検証される。 コードはhttps://github.com/texttao/MCFCNで提供される。

関連論文リスト

• Global Graph Propagation with Hierarchical Information Transfer for Incomplete Contrastive Multi-view Clustering [12.080981190754986]
  階層的な情報伝達を伴う新しい不完全なマルチビュークラスタリング手法を提案する。 提案手法は,ビュー固有表現学習,グローバルグラフ伝播,階層的情報伝達,共同最適化のためのコントラストクラスタリングを組み合わせた。
  論文  参考訳（メタデータ） (2025-02-26T16:50:08Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
  本稿では,新しいアンカーグラフ学習フレームワークを提案する。 ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。 提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
  論文  参考訳（メタデータ） (2023-08-31T08:30:26Z)
• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)
• Multi-view Graph Convolutional Networks with Differentiable Node Selection [29.575611350389444]
  差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。 MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。 提案手法の有効性は,最先端手法と厳密な比較により検証した。
  論文  参考訳（メタデータ） (2022-12-09T21:48:36Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
  マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。 主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。 8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
  論文  参考訳（メタデータ） (2022-01-12T18:00:29Z)
• 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)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)

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。