論文の概要: Wasserstein-Aligned Hyperbolic Multi-View Clustering

• arxiv url: http://arxiv.org/abs/2512.09402v1
• Date: Wed, 10 Dec 2025 07:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.440459
• Title: Wasserstein-Aligned Hyperbolic Multi-View Clustering
• Title（参考訳）: Wasserstein-Aligned Hyperbolic Multi-View Clustering
• Authors: Rui Wang, Yuting Jiang, Xiaoqing Luo, Xiao-Jun Wu, Nicu Sebe, Ziheng Chen,
• Abstract要約: 本稿では,マルチビュークラスタリングのための新しいWasserstein-Aligned Hyperbolic(WAH)フレームワークを提案する。 本手法はビュー固有の双曲エンコーダを用いて特徴をローレンツ多様体に埋め込んで階層的セマンティックモデリングを行う。
• 参考スコア（独自算出の注目度）: 58.29261653100388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view clustering (MVC) aims to uncover the latent structure of multi-view data by learning view-common and view-specific information. Although recent studies have explored hyperbolic representations for better tackling the representation gap between different views, they focus primarily on instance-level alignment and neglect global semantic consistency, rendering them vulnerable to view-specific information (\textit{e.g.}, noise and cross-view discrepancies). To this end, this paper proposes a novel Wasserstein-Aligned Hyperbolic (WAH) framework for multi-view clustering. Specifically, our method exploits a view-specific hyperbolic encoder for each view to embed features into the Lorentz manifold for hierarchical semantic modeling. Whereafter, a global semantic loss based on the hyperbolic sliced-Wasserstein distance is introduced to align manifold distributions across views. This is followed by soft cluster assignments to encourage cross-view semantic consistency. Extensive experiments on multiple benchmarking datasets show that our method can achieve SOTA clustering performance.
• Abstract（参考訳）: マルチビュークラスタリング(MVC)は、ビュー・コモンとビュー固有情報を学習することで、マルチビューデータの潜在構造を明らかにすることを目的としている。 近年の研究では、異なるビュー間の表現ギャップに対処するための双曲表現について検討されているが、それらは主にインスタンスレベルのアライメントに注目し、グローバルなセマンティック一貫性を無視し、ビュー固有の情報(\textit{e g }、ノイズとクロスビューの相違)に弱いものにする。 そこで本研究では,マルチビュークラスタリングのための新しいWasserstein-Aligned Hyperbolic(WAH)フレームワークを提案する。 具体的には,ビュー固有の双曲型エンコーダを用いて特徴をローレンツ多様体に埋め込んで階層的セマンティックモデリングを行う。 その後、双曲的スライス-ワッサーシュタイン距離に基づく大域的意味損失を導入し、ビュー間の多様体分布を整列させる。 続いて、クロスビューなセマンティック一貫性を促進するために、ソフトなクラスタ割り当てが行われる。 複数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,本手法がSOTAクラスタリング性能を実現することを示す。

関連論文リスト

• 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)
• 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)
• Deep Multi-View Subspace Clustering with Anchor Graph [11.291831842959926]
  アンカーグラフ(DMCAG)を用いた深層多視点サブスペースクラスタリング手法を提案する。 DMCAGは各ビューの埋め込み機能を独立して学習し、サブスペース表現を得るために使用される。 本手法は他の最先端手法よりも優れたクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2023-05-11T16:17:43Z)
• 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)
• Contrastive Multi-view Hyperbolic Hierarchical Clustering [33.050054725595736]
  対比多視点ハイパーボリック階層クラスタリング(CMHHC)を提案する。 マルチビューアライメント学習、アライメントされた特徴類似学習、連続的な双曲的階層的クラスタリングという3つのコンポーネントで構成されている。 5つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-05-05T12:56:55Z)

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。