論文の概要: Enhanced Federated Deep Multi-View Clustering under Uncertainty Scenario

• arxiv url: http://arxiv.org/abs/2511.17631v1
• Date: Wed, 19 Nov 2025 05:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.310511
• Title: Enhanced Federated Deep Multi-View Clustering under Uncertainty Scenario
• Title（参考訳）: 不確実シナリオ下でのフェデレーション・ディープ・ビュー・クラスタリングの強化
• Authors: Bingjun Wei, Xuemei Cao, Jiafen Liu, Haoyang Liang, Xin Yang,
• Abstract要約: 従来のFederated Multi-View Clusteringは、クライアント間で一様ビューを前提としていますが、実際のデプロイメントでは、不完全な、冗長な、あるいは破損したデータを含む、不均一なビュー完全性を明らかにします。 まず、ローカルなセマンティクス、クライアント内の階層的なコントラスト融合は、セマンティクスの衝突を排除してビューの不確実性を解消する。 実験により、EFDMVCは、複数のベンチマークデータセットにわたる不均一な不確実なビューに対して、優れたロバスト性を実現することが示された。
• 参考スコア（独自算出の注目度）: 4.78278717358015
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Traditional Federated Multi-View Clustering assumes uniform views across clients, yet practical deployments reveal heterogeneous view completeness with prevalent incomplete, redundant, or corrupted data. While recent approaches model view heterogeneity, they neglect semantic conflicts from dynamic view combinations, failing to address dual uncertainties: view uncertainty (semantic inconsistency from arbitrary view pairings) and aggregation uncertainty (divergent client updates with imbalanced contributions). To address these, we propose a novel Enhanced Federated Deep Multi-View Clustering framework: first align local semantics, hierarchical contrastive fusion within clients resolves view uncertainty by eliminating semantic conflicts; a view adaptive drift module mitigates aggregation uncertainty through global-local prototype contrast that dynamically corrects parameter deviations; and a balanced aggregation mechanism coordinates client updates. Experimental results demonstrate that EFDMVC achieves superior robustness against heterogeneous uncertain views across multiple benchmark datasets, consistently outperforming all state-of-the-art baselines in comprehensive evaluations.
• Abstract（参考訳）: 従来のFederated Multi-View Clusteringは、クライアント間で一様ビューを前提としていますが、実際のデプロイメントでは、不完全な、冗長な、あるいは破損したデータを含む、不均一なビュー完全性を明らかにします。 ビューの不確実性(任意のビューペアリングからのセマンティックな不整合)とアグリゲーションの不確実性(不均衡なコントリビューションを伴うクライアント更新の分割)である。 そこで本研究では,ローカルなセマンティクスとクライアント内の階層的なコントラスト融合を連携させることにより,セマンティクスを排除し,ビューアダプティブなドリフトモジュールにより,パラメータの偏差を動的に補正するグローバルなプロトタイプコントラストによるアグリゲーションの不確実性を緩和する。 実験により、EFDMVCは、複数のベンチマークデータセットで不均一な不確実なビューに対して優れたロバスト性を達成し、包括的な評価において、すべての最先端ベースラインを一貫して上回ることを示す。

関連論文リスト

• Incomplete Multi-view Clustering via Hierarchical Semantic Alignment and Cooperative Completion [13.39263294343983]
  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。
  論文  参考訳（メタデータ） (2025-10-14T02:58:10Z)
• 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 Contrastive Multi-view Clustering under Semantic Feature Guidance [8.055452424643562]
  本稿では,Semantic Feature Guide (DCMCS) の下で,Deep Contrastive Multi-view Clustering という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。 意味的類似性によって重み付けされたインスタンスレベルのコントラスト損失を最小化することにより、DCMCSは偽陰対間のコントラストの傾きを適応的に弱める。 いくつかの公開データセットの実験結果は、提案したフレームワークが最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2024-03-09T02:33:38Z)
• Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment [50.82982601256481]
  深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。 従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
  論文  参考訳（メタデータ） (2023-03-28T02:31:57Z)
• Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
  信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。 TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2022-04-25T03:48:49Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)

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。