論文の概要: Simple Yet Effective Selective Imputation for Incomplete Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2512.10327v1
• Date: Thu, 11 Dec 2025 06:22:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.221353
• Title: Simple Yet Effective Selective Imputation for Incomplete Multi-view Clustering
• Title（参考訳）: 不完全なマルチビュークラスタリングのための単純で効果的な選択型インプット
• Authors: Cai Xu, Jinlong Liu, Yilin Zhang, Ziyu Guan, Wei Zhao,
• Abstract要約: Informativeness-based Selective Imputation Multi-View Clustering (ISMVC)を提案する。 本手法は,視線内類似度と視線間整合性に基づいて,視線内類似度と視線間整合度に基づいて,視線各位置の計算関連情報量を評価する。 トレーニングダイナミクスやモデルフィードバックに依存する既存の慎重な計算戦略と比較して、我々の手法は軽量で、データ駆動で、モデルに依存しない。
• 参考スコア（独自算出の注目度）: 30.6002437648244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incomplete multi-view data, where different views suffer from missing and unbalanced observations, pose significant challenges for clustering. Existing imputation-based methods attempt to estimate missing views to restore data associations, but indiscriminate imputation often introduces noise and bias, especially when the available information is insufficient. Imputation-free methods avoid this risk by relying solely on observed data, but struggle under severe incompleteness due to the lack of cross-view complementarity. To address this issue, we propose Informativeness-based Selective imputation Multi-View Clustering (ISMVC). Our method evaluates the imputation-relevant informativeness of each missing position based on intra-view similarity and cross-view consistency, and selectively imputes only when sufficient support is available. Furthermore, we integrate this selection with a variational autoencoder equipped with a mixture-of-Gaussians prior to learn clustering-friendly latent representations. By performing distribution-level imputation, ISMVC not only stabilizes the aggregation of posterior distributions but also explicitly models imputation uncertainty, enabling robust fusion and preventing overconfident reconstructions. Compared with existing cautious imputation strategies that depend on training dynamics or model feedback, our method is lightweight, data-driven, and model-agnostic. It can be readily integrated into existing IMC models as a plug-in module. Extensive experiments on multiple benchmark datasets under a more realistic and challenging unbalanced missing scenario demonstrate that our method outperforms both imputation-based and imputation-free approaches.
• Abstract（参考訳）: 異なるビューが欠落し、バランスの取れていない観察に苦しむ不完全なマルチビューデータは、クラスタリングに重大な課題を生じさせる。 既存の計算に基づく手法では、欠落したビューを推定してデータアソシエーションを復元しようとするが、不特定な計算は、特に利用可能な情報が不十分な場合に、しばしばノイズとバイアスをもたらす。 計算自由な手法は、観測されたデータのみに頼ることによってこのリスクを避けるが、クロスビューの相補性が欠如しているため、深刻な不完全性に苦しむ。 この問題に対処するため,Informativeness-based Selective Imputation Multi-View Clustering (ISMVC)を提案する。 提案手法は,視線内類似度と視線横断整合性に基づいて,各位置のインプット関連情報度を評価し,十分な支持が得られた場合にのみ選択的にインプットする。 さらに,この選択を,クラスタリングに親しみやすい潜在表現を学習する前に,混合ガウスを持つ変分オートエンコーダと統合する。 ISMVCは、分布レベルの計算を行うことで、後部分布の集約を安定化するだけでなく、インプットの不確実性を明示的にモデル化し、堅牢な融合を可能にし、過信な再構成を防ぐ。 トレーニングダイナミクスやモデルフィードバックに依存する既存の慎重な計算戦略と比較して、我々の手法は軽量で、データ駆動で、モデルに依存しない。 プラグインモジュールとして既存のIMCモデルに簡単に統合できる。 より現実的で困難な不均衡なシナリオ下での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は、我々の手法が命令ベースのアプローチと命令なしアプローチの両方より優れていることを示す。

関連論文リスト

• Joint Tensor and Inter-View Low-Rank Recovery for Incomplete Multiview Clustering [35.261304932451544]
  本稿では、不完全なマルチビュークラスタリングのための新しいジョイントテンソルとビュー間低ランクリカバリ(JTIV-LRR)を提案する。 クラスタリングの精度とロバスト性は最先端の手法に比べて大幅に改善されている。
  論文  参考訳（メタデータ） (2025-03-04T09:50:59Z)
• FedMAC: Tackling Partial-Modality Missing in Federated Learning with Cross-Modal Aggregation and Contrastive Regularization [18.276480518649404]
  Federated Learning(FL)は、分散データソースを使用して機械学習モデルをトレーニングする手法である。 本研究ではFedMACという新しいフレームワークを提案し,FLに欠落した部分モダリティ条件下でのマルチモダリティの解消を図った。
  論文  参考訳（メタデータ） (2024-10-04T01:24:02Z)
• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• Manifold-based Incomplete Multi-view Clustering via Bi-Consistency Guidance [23.071303965962517]
  両一貫性ガイダンス(MIMB)を用いた不完全なマルチビュークラスタリング手法を提案する。 MIMBは様々な視点で不完全データを柔軟に復元し、逆正則化による双方向ガイダンスの実現を試みる。 以上の結果から,MIMBはいくつかの最先端のベースラインと比較して,優れた結果が得られることが示唆された。
  論文  参考訳（メタデータ） (2024-05-16T05:58:29Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Towards Better Modeling with Missing Data: A Contrastive Learning-based Visual Analytics Perspective [7.577040836988683]
  データ不足は機械学習(ML)モデリングの課題となる可能性がある。 現在のアプローチは、特徴計算とラベル予測に分類される。 本研究は、観測データに欠落した値でモデル化するコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T13:16:24Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
  非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。 本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。 教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
  論文  参考訳（メタデータ） (2021-09-29T02:56:45Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)
• Learning Multimodal VAEs through Mutual Supervision [72.77685889312889]
  MEMEは、相互監督を通じて暗黙的にモダリティ間の情報を結合する。 我々は、MEMEが、部分的および完全観察スキームの双方で標準メトリクスのベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2021-06-23T17:54:35Z)

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。