論文の概要: THCRL: Trusted Hierarchical Contrastive Representation Learning for Multi-View Clustering

• arxiv url: http://arxiv.org/abs/2512.00368v1
• Date: Sat, 29 Nov 2025 07:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.199546
• Title: THCRL: Trusted Hierarchical Contrastive Representation Learning for Multi-View Clustering
• Title（参考訳）: THCRL:マルチビュークラスタリングのための階層的コントラスト表現学習
• Authors: Jian Zhu,
• Abstract要約: MVC(Multi-View Clustering)は近年注目を集めている。 コンセンサス表現を学習することで、データサンプルを別のグループに分割することができる。 2) Contrastive Learning(CL)を使用した従来のMVCメソッドでは、類似性計算は通常、同じクラスタ内の隣人からの構造情報を無視しながら、同じインスタンスの異なるビューに依存します。
• 参考スコア（独自算出の注目度）: 5.792037283873937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-View Clustering (MVC) has garnered increasing attention in recent years. It is capable of partitioning data samples into distinct groups by learning a consensus representation. However, a significant challenge remains: the problem of untrustworthy fusion. This problem primarily arises from two key factors: 1) Existing methods often ignore the presence of inherent noise within individual views; 2) In traditional MVC methods using Contrastive Learning (CL), similarity computations typically rely on different views of the same instance, while neglecting the structural information from nearest neighbors within the same cluster. Consequently, this leads to the wrong direction for multi-view fusion. To address this problem, we present a novel Trusted Hierarchical Contrastive Representation Learning (THCRL). It consists of two key modules. Specifically, we propose the Deep Symmetry Hierarchical Fusion (DSHF) module, which leverages the UNet architecture integrated with multiple denoising mechanisms to achieve trustworthy fusion of multi-view data. Furthermore, we present the Average K-Nearest Neighbors Contrastive Learning (AKCL) module to align the fused representation with the view-specific representation. Unlike conventional strategies, AKCL enhances representation similarity among samples belonging to the same cluster, rather than merely focusing on the same sample across views, thereby reinforcing the confidence of the fused representation. Extensive experiments demonstrate that THCRL achieves the state-of-the-art performance in deep MVC tasks.
• Abstract（参考訳）: MVC(Multi-View Clustering)は近年注目を集めている。 コンセンサス表現を学習することで、データサンプルを別のグループに分割することができる。 しかし、重要な課題は、信頼できない融合の問題である。 この問題は、主に2つの主要な要因から生じる。 1) 既存の方法は,個々の視点における固有の騒音の存在を無視することが多い。 2) Contrastive Learning(CL)を用いた従来のMVCメソッドでは、類似性計算は、通常、同じクラスタ内の最も近い隣人からの構造情報を無視しながら、同じインスタンスの異なるビューに依存します。 したがって、これは多視点融合の間違った方向につながる。 この問題に対処するために,Trusted Hierarchical Contrastive Representation Learning (THCRL)を提案する。 2つの重要なモジュールから構成される。 具体的には、マルチビューデータの信頼性の高い融合を実現するために、複数の復調機構と統合されたUNetアーキテクチャを利用するDeep Symmetry Hierarchical Fusion (DSHF)モジュールを提案する。 さらに、平均K-Nearest Neearbors Contrastive Learning (AKCL) モジュールを提示し、融合表現とビュー固有表現を一致させる。 従来の戦略とは異なり、AKCLはビューをまたいだ同じサンプルにのみフォーカスするのではなく、同一クラスタに属するサンプル間の表現類似性を高め、融合された表現の信頼性を補強する。 大規模な実験は、THCRLが深いMVCタスクで最先端のパフォーマンスを達成することを実証している。

関連論文リスト

• Generalized Deep Multi-view Clustering via Causal Learning with Partially Aligned Cross-view Correspondence [72.41989962665285]
  マルチビュークラスタリング(MVC)は、複数のビューにまたがる共通のクラスタリング構造を検討することを目的としている。 しかし、現実のシナリオは、部分的なデータだけが異なるビューに一貫して整合しているため、しばしば課題となる。 我々は,CauMVCと呼ばれる因果的マルチビュークラスタリングネットワークを設計し,この問題に対処する。
  論文  参考訳（メタデータ） (2025-09-19T14:31:40Z)
• Trusted Mamba Contrastive Network for Multi-View Clustering [25.255009581305]
  マルチビュークラスタリングは、教師なしの方法でコンセンサス表現を学習することで、データサンプルをカテゴリに分割することができる。 本稿では,Trusted Mamba Contrastive Network (TMCN) と呼ばれる,この問題に対処する新しいマルチビュークラスタリングネットワークを提案する。 我々は、選択的なメカニズムにより、マルチビューデータの信頼融合を実現する新しいTrusted Mamba Fusion Network (TMFN)を提案する。
  論文  参考訳（メタデータ） (2024-12-21T05:04:36Z)
• 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)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• 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)
• A Clustering-guided Contrastive Fusion for Multi-view Representation Learning [7.630965478083513]
  本稿では、ビュー固有表現をビュー共通表現に融合する深層融合ネットワークを提案する。 また、ビュー共通表現とビュー固有表現を一致させる非対称なコントラスト戦略を設計する。 不完全な視点では,提案手法は競合相手よりもノイズ干渉に抵抗する。
  論文  参考訳（メタデータ） (2022-12-28T07:21:05Z)
• Generative Partial Multi-View Clustering [133.36721417531734]
  本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。 まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。 第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
  論文  参考訳（メタデータ） (2020-03-29T17:48:27Z)

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。