論文の概要: RAC-DMVC: Reliability-Aware Contrastive Deep Multi-View Clustering under Multi-Source Noise

• arxiv url: http://arxiv.org/abs/2511.13561v1
• Date: Mon, 17 Nov 2025 16:28:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 18:52:09.60461
• Title: RAC-DMVC: Reliability-Aware Contrastive Deep Multi-View Clustering under Multi-Source Noise
• Title（参考訳）: RAC-DMVC:マルチソース雑音下での信頼度を考慮した深層多視点クラスタリング
• Authors: Shihao Dong, Yue Liu, Xiaotong Zhou, Yuhui Zheng, Huiying Xu, Xinzhong Zhu,
• Abstract要約: マルチビュークラスタリング(MVC)は、マルチビューデータを教師なしの方法で別々のクラスタに分離することを目的としている。 マルチソースノイズ下でのMVCは、ノイズや観測ノイズの欠如を含む、より困難な課題に対処する。 本稿では,ノイズの多い環境下での堅牢な表現学習を支援する信頼性グラフを構築するための,信頼度に配慮した深層多視点クラスタリング(RAC-DMVC)を提案する。
• 参考スコア（独自算出の注目度）: 32.96137519578033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering (MVC), which aims to separate the multi-view data into distinct clusters in an unsupervised manner, is a fundamental yet challenging task. To enhance its applicability in real-world scenarios, this paper addresses a more challenging task: MVC under multi-source noises, including missing noise and observation noise. To this end, we propose a novel framework, Reliability-Aware Contrastive Deep Multi-View Clustering (RAC-DMVC), which constructs a reliability graph to guide robust representation learning under noisy environments. Specifically, to address observation noise, we introduce a cross-view reconstruction to enhances robustness at the data level, and a reliability-aware noise contrastive learning to mitigates bias in positive and negative pairs selection caused by noisy representations. To handle missing noise, we design a dual-attention imputation to capture shared information across views while preserving view-specific features. In addition, a self-supervised cluster distillation module further refines the learned representations and improves the clustering performance. Extensive experiments on five benchmark datasets demonstrate that RAC-DMVC outperforms SOTA methods on multiple evaluation metrics and maintains excellent performance under varying ratios of noise.
• Abstract（参考訳）: マルチビュークラスタリング(MVC)は、マルチビューデータを教師なしの方法で個別のクラスタに分離することを目的としており、基本的な課題である。 実世界のシナリオにおける適用性を高めるために,本論文では,マルチソースノイズ下でのMVCという,ノイズの欠如や観測ノイズの欠如など,より困難な課題に対処する。 そこで本稿では,ノイズの多い環境下での堅牢な表現学習をガイドする信頼性グラフを構築するための,信頼度に配慮した深層多視点クラスタリング(RAC-DMVC)を提案する。 具体的には、観測ノイズに対処するために、データレベルで頑健性を高めるクロスビュー再構成と、ノイズ表現による正と負のペア選択におけるバイアスを緩和する信頼性を考慮したノイズコントラスト学習を導入する。 ノイズの欠如に対処するために、ビューを横断する共有情報をキャプチャし、ビュー特有の特徴を保ちながら、デュアルアテンション計算を設計する。 さらに、自己監督型クラスタ蒸留モジュールは、学習した表現をさらに洗練し、クラスタリング性能を向上させる。 5つのベンチマークデータセットに対する大規模な実験により、RAC-DMVCは複数の評価指標においてSOTA法よりも優れ、ノイズの比が変化する場合に優れた性能を維持することが示された。

関連論文リスト

• Automatically Identify and Rectify: Robust Deep Contrastive Multi-view Clustering in Noisy Scenarios [76.02688769599686]
  本稿では,AIRMVCと呼ばれるノイズデータの自動識別と修正のための新しい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。 具体的には,GMMを用いて雑音識別を異常識別問題として再構成する。 次に,同定結果に基づいて,ノイズデータの悪影響を軽減するためのハイブリッド補正戦略を設計する。
  論文  参考訳（メタデータ） (2025-05-27T16:16:54Z)
• Incomplete Multi-view Clustering via Diffusion Contrastive Generation [10.303281347345955]
  拡散コントラスト生成 (Diffusion Contrastive Generation, DCG) と呼ばれる新しいIMVC法を提案する。 DCGは分布特性を学習し、フォワード拡散および逆復調処理をビュー内データに適用することによりクラスタリングを強化する。 インスタンスレベルとカテゴリレベルの対話型学習を統合し、マルチビューデータで利用可能な一貫性のある補完的な情報を活用する。
  論文  参考訳（メタデータ） (2025-03-12T09:27:25Z)
• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
  部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。 既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。 非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T19:16:01Z)
• Investigating and Mitigating the Side Effects of Noisy Views for Self-Supervised Clustering Algorithms in Practical Multi-View Scenarios [35.32285779434823]
  マルチビュークラスタリング(MVC)は,マルチビューデータのカテゴリ構造を自己管理的に探索することを目的としている。 ノイズの多いビューは、実際のマルチビューシナリオでビューがノイズの多いときに、深刻な縮退する可能性がある。 この問題に対処するために理論的に基礎をおくディープMVC法(別名MVCAN)を提案する。
  論文  参考訳（メタデータ） (2023-03-30T09:22:17Z)
• Uncertainty-Aware Multi-View Representation Learning [53.06828186507994]
  動的不確実性認識ネットワーク(DUA-Nets)と呼ばれる新しい教師なし多視点学習手法を考案する。 生成視点から推定されるデータの不確実性により、複数の視点からの固有情報が統合され、ノイズのない表現が得られる。 本モデルでは, 広範囲な実験において優れた性能を示し, ノイズの多いデータに対するロバスト性を示す。
  論文  参考訳（メタデータ） (2022-01-15T07:16:20Z)

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。