論文の概要: Structure-aware Hybrid-order Similarity Learning for Multi-view Unsupervised Feature Selection

• arxiv url: http://arxiv.org/abs/2511.22656v1
• Date: Thu, 27 Nov 2025 17:46:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.668286
• Title: Structure-aware Hybrid-order Similarity Learning for Multi-view Unsupervised Feature Selection
• Title（参考訳）: マルチビュー非教師付き特徴選択のための構造認識型ハイブリッド-オーダー類似性学習
• Authors: Lin Xu, Ke Li, Dongjie Wang, Fengmao Lv, Tianrui Li, Yanyong Huang,
• Abstract要約: マルチviEw非教師付き特徴選択(SHINE-FS)のための構造認識型ハイブリッドオーダーsmilarity LearNingを提案する。 Shine-FSはまずコンセンサスアンカーと対応するアンカーグラフを学び、アンカーとサンプルの間のクロスビュー関係をキャプチャする。 サンプルの低次元表現を生成し、識別的特徴を識別することにより、多視点データの再構成を容易にする。
• 参考スコア（独自算出の注目度）: 28.926101310373383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view unsupervised feature selection (MUFS) has recently emerged as an effective dimensionality reduction method for unlabeled multi-view data. However, most existing methods mainly use first-order similarity graphs to preserve local structure, often overlooking the global structure that can be captured by second-order similarity. In addition, a few MUFS methods leverage predefined second-order similarity graphs, making them vulnerable to noise and outliers and resulting in suboptimal feature selection performance. In this paper, we propose a novel MUFS method, termed Structure-aware Hybrid-order sImilarity learNing for multi-viEw unsupervised Feature Selection (SHINE-FS), to address the aforementioned problem. SHINE-FS first learns consensus anchors and the corresponding anchor graph to capture the cross-view relationships between the anchors and the samples. Based on the acquired cross-view consensus information, it generates low-dimensional representations of the samples, which facilitate the reconstruction of multi-view data by identifying discriminative features. Subsequently, it employs the anchor-sample relationships to learn a second-order similarity graph. Furthermore, by jointly learning first-order and second-order similarity graphs, SHINE-FS constructs a hybrid-order similarity graph that captures both local and global structures, thereby revealing the intrinsic data structure to enhance feature selection. Comprehensive experimental results on real multi-view datasets show that SHINE-FS outperforms the state-of-the-art methods.
• Abstract（参考訳）: マルチビュー非教師付き特徴選択(MUFS)は、最近、ラベルなしマルチビューデータに対する効果的な次元性低減法として登場した。 しかし、既存のほとんどの手法は、主に局所構造を保存するために一階類似性グラフを使用し、しばしば二階類似性によって捉えることができる大域構造を見渡す。 さらに、いくつかのMUFS法は事前定義された2階類似性グラフを活用し、ノイズや外れ値に弱いため、準最適特徴選択性能がもたらされる。 本稿では,その問題に対処するため,Multi-viEw Unsupervised Feature Selection (SHINE-FS) のための新しいMUFS手法,Structure-aware Hybrid-order similarity learNingを提案する。 Shine-FSはまずコンセンサスアンカーと対応するアンカーグラフを学び、アンカーとサンプルの間のクロスビュー関係をキャプチャする。 得られたクロスビューコンセンサス情報に基づいて、サンプルの低次元表現を生成し、識別的特徴を識別することにより、多視点データの再構成を容易にする。 その後、アンカー・サンプル関係を用いて2階類似性グラフを学習する。 さらに,一階類似グラフと二階類似グラフを共同学習することにより,局所構造と大域構造の両方を捉えるハイブリッド・オーダー類似グラフを構築し,本質的なデータ構造を明らかにし,特徴選択を強化する。 実マルチビューデータセットの総合的な実験結果から、Shine-FSは最先端の手法よりも優れていることが示された。

関連論文リスト

• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• 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)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• 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)
• 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)
• Joint Multi-view Unsupervised Feature Selection and Graph Learning [18.303477722460247]
  本稿では,JMVFG(Command Multi-view unsupervised feature selection and graph learning)アプローチを提案する。 複数視点の特徴選択を分解で定式化し、各対象行列をビュー固有の基底行列に分解する。 様々な実世界のマルチビューデータセットの実験は、マルチビュー特徴選択とグラフ学習タスクの両方において、我々のアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2022-04-18T10:50:03Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端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） (2021-04-11T03:25:25Z)

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。