論文の概要: Cross-view Joint Learning for Mixed-Missing Multi-view Unsupervised Feature Selection

• arxiv url: http://arxiv.org/abs/2511.12261v1
• Date: Sat, 15 Nov 2025 15:34:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 18:52:09.582454
• Title: Cross-view Joint Learning for Mixed-Missing Multi-view Unsupervised Feature Selection
• Title（参考訳）: 混在型マルチビュー教師なし特徴選択のためのクロスビュー共同学習
• Authors: Zongxin Shen, Yanyong Huang, Dongjie Wang, Jinyuan Chang, Fengmao Lv, Tianrui Li, Xiaoyi Jiang,
• Abstract要約: 混合損失問題に対処する新しいIMUFS法であるCLIM-FSを提案する。 非負の行列因数分解に基づく特徴選択モデルに、欠落したビューと変数の両方の命令を統合する。 コンセンサスクラスタ構造とクロスビューな局所幾何学構造をフル活用して、シナジスティック学習プロセスを強化する。
• 参考スコア（独自算出の注目度）: 24.037106656954666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incomplete multi-view unsupervised feature selection (IMUFS), which aims to identify representative features from unlabeled multi-view data containing missing values, has received growing attention in recent years. Despite their promising performance, existing methods face three key challenges: 1) by focusing solely on the view-missing problem, they are not well-suited to the more prevalent mixed-missing scenario in practice, where some samples lack entire views or only partial features within views; 2) insufficient utilization of consistency and diversity across views limits the effectiveness of feature selection; and 3) the lack of theoretical analysis makes it unclear how feature selection and data imputation interact during the joint learning process. Being aware of these, we propose CLIM-FS, a novel IMUFS method designed to address the mixed-missing problem. Specifically, we integrate the imputation of both missing views and variables into a feature selection model based on nonnegative orthogonal matrix factorization, enabling the joint learning of feature selection and adaptive data imputation. Furthermore, we fully leverage consensus cluster structure and cross-view local geometrical structure to enhance the synergistic learning process. We also provide a theoretical analysis to clarify the underlying collaborative mechanism of CLIM-FS. Experimental results on eight real-world multi-view datasets demonstrate that CLIM-FS outperforms state-of-the-art methods.
• Abstract（参考訳）: 欠落した値を含むラベル付きマルチビューデータから代表的特徴を特定することを目的とした不完全なマルチビューアン教師機能選択(IMUFS)が近年注目されている。 有望なパフォーマンスにもかかわらず、既存のメソッドには3つの大きな課題がある。 1) ビューミスの問題にのみ焦点を合わせることで、ビュー全体やビュー内の部分的な機能のみを欠いているサンプルが実際に広く行き渡っている混合ミスシナリオに適していない。 2 視点の整合性及び多様性の不十分な利用は、特徴選択の有効性を制限し、 3) 理論的分析の欠如により, 共同学習過程において, 特徴選択とデータ計算がどう相互作用するかは明らかでない。 筆者らはこれらの問題に気付き,混在する問題に対処する新しいIMUFS法であるCLIM-FSを提案する。 具体的には,非負の直交行列因数分解に基づく特徴選択モデルに,欠落したビューと変数のインパルスを組み込むことにより,特徴選択と適応データインパルスの連成学習を可能にする。 さらに、コンセンサスクラスタ構造とクロスビューな局所幾何学構造をフル活用して、シナジスティック学習プロセスを強化する。 また,CLIM-FSの基盤となる協調機構を明らかにするための理論的解析を行った。 8つの実世界のマルチビューデータセットの実験結果は、CLIM-FSが最先端の手法より優れていることを示している。

関連論文リスト

• TRUST-FS: Tensorized Reliable Unsupervised Multi-View Feature Selection for Incomplete Data [15.2618846897032]
  近年,Multi-view unsupervised feature selection (MUFS)が研究の関心を集めている。 不完全なマルチビューデータの既存のメソッドは、欠落したビューの処理に限られており、欠落した変数のより一般的なシナリオに対処できない。 TRUSTFS(Reliable Unview Feature Selection)と呼ばれる不完全なマルチビューデータに対する新しいMUFS手法を提案する。 TrustFSは、統合因数分解フレームワーク内で、機能選択、欠落した命令、およびビューウェイトラーニングを同時に実行する。
  論文  参考訳（メタデータ） (2025-09-16T15:54:15Z)
• Multi-View Factorizing and Disentangling: A Novel Framework for Incomplete Multi-View Multi-Label Classification [9.905528765058541]
  非完全多視点マルチラベル分類(iMvMLC)のための新しいフレームワークを提案する。 本手法は,多視点表現をビュー一貫性とビュー固有の2つの独立した要素に分解する。 我々のフレームワークは、一貫した表現学習を3つの重要なサブオブジェクトに革新的に分解する。
  論文  参考訳（メタデータ） (2025-01-11T12:19:20Z)
• Balanced Multi-view Clustering [56.17836963920012]
  マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。 MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。 本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:42:47Z)
• CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
  我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。 ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。 人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:45:03Z)
• Self-Learning Symmetric Multi-view Probabilistic Clustering [35.96327818838784]
  マルチビュークラスタリング(MVC)は、複数の視点から知識を学ぶための多くの取り組みによって、大きな進歩を遂げている。 既存のほとんどのメソッドは適用できないか、あるいは不完全なMVCに追加の手順を必要とする。 自己学習対称多視点確率クラスタリングという,不完全かつ完全なMVCのための新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-12T08:27:03Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• C$^{2}$IMUFS: Complementary and Consensus Learning-based Incomplete Multi-view Unsupervised Feature Selection [12.340714611533418]
  マルチビュー非教師付き特徴選択(MUFS)は、ラベルなしデータの次元を減少させる有効な手法として実証されている。 本稿では、上記の問題に対処するため、補完的かつコンセンサスに基づく不完全なマルチビュー非教師付き特徴選択法(C$2$IMUFS)を提案する。 C$2$IMUFSは、ビューウェイトとスパース$ell_2,p$-normの適応学習を備えた拡張重み付き非負行列分解モデルに特徴選択を統合する。
  論文  参考訳（メタデータ） (2022-08-20T19:39:17Z)

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。