論文の概要: SMART: Semantic Matching Contrastive Learning for Partially View-Aligned Clustering

• arxiv url: http://arxiv.org/abs/2512.15396v1
• Date: Wed, 17 Dec 2025 12:48:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.988009
• Title: SMART: Semantic Matching Contrastive Learning for Partially View-Aligned Clustering
• Title（参考訳）: SMART:部分的視点対応クラスタリングのためのセマンティックマッチングコントラスト学習
• Authors: Liang Peng, Yixuan Ye, Cheng Liu, Hangjun Che, Fei Wang, Zhiwen Yu, Si Wu, Hau-San Wong,
• Abstract要約: 部分的にビュー整合クラスタリングは、不整合ビューサンプル間の対応を学習することを目的としている。 我々のアプローチは、横断的な分布シフトの影響を緩和し、コントラスト学習のセマンティックマッチングを容易にすることである。 提案手法はPVC問題における既存手法より一貫して優れている。
• 参考スコア（独自算出の注目度）: 46.33455475152849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering has been empirically shown to improve learning performance by leveraging the inherent complementary information across multiple views of data. However, in real-world scenarios, collecting strictly aligned views is challenging, and learning from both aligned and unaligned data becomes a more practical solution. Partially View-aligned Clustering aims to learn correspondences between misaligned view samples to better exploit the potential consistency and complementarity across views, including both aligned and unaligned data. However, most existing PVC methods fail to leverage unaligned data to capture the shared semantics among samples from the same cluster. Moreover, the inherent heterogeneity of multi-view data induces distributional shifts in representations, leading to inaccuracies in establishing meaningful correspondences between cross-view latent features and, consequently, impairing learning effectiveness. To address these challenges, we propose a Semantic MAtching contRasTive learning model (SMART) for PVC. The main idea of our approach is to alleviate the influence of cross-view distributional shifts, thereby facilitating semantic matching contrastive learning to fully exploit semantic relationships in both aligned and unaligned data. Extensive experiments on eight benchmark datasets demonstrate that our method consistently outperforms existing approaches on the PVC problem.
• Abstract（参考訳）: マルチビュークラスタリングは、複数のデータビューにまたがる相補的な情報を活用することにより、学習性能の向上を実証的に実証している。 しかし、現実のシナリオでは、厳密に整合したビューの収集は困難であり、整合性のあるデータと非整合性のないデータの両方から学ぶことが、より実用的なソリューションになります。 部分的にビュー整合クラスタリングは、不整合ビューサンプル間の対応を学習して、整合データと非整合データの両方を含むビュー間の潜在的な一貫性と相補性をよりよく活用することを目的としている。 しかしながら、既存のほとんどのPVCメソッドは、同じクラスタからサンプル間で共有されるセマンティクスをキャプチャするために、非整合データを活用することができない。 さらに、多視点データ固有の不均一性は、表現の分布シフトを誘導し、クロスビュー潜在特徴間の有意義な対応を確立する不正確な結果となり、結果として学習効果を損なう。 これらの課題に対処するために,PVCのためのセマンティック・マッチ・コントRasTive学習モデル(SMART)を提案する。 提案手法の主な考え方は,横断的な分布シフトの影響を緩和し,セマンティックマッチング・コントラッシブ・ラーニングを容易にし,アライメントデータとアンアライメントデータの両方におけるセマンティック・リレーションを完全に活用することである。 8つ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、我々の手法はPVC問題における既存のアプローチよりも一貫して優れていることが示された。

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)
• 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)
• Incomplete Multi-view Clustering via Diffusion Contrastive Generation [10.303281347345955]
  拡散コントラスト生成 (Diffusion Contrastive Generation, DCG) と呼ばれる新しいIMVC法を提案する。 DCGは分布特性を学習し、フォワード拡散および逆復調処理をビュー内データに適用することによりクラスタリングを強化する。 インスタンスレベルとカテゴリレベルの対話型学習を統合し、マルチビューデータで利用可能な一貫性のある補完的な情報を活用する。
  論文  参考訳（メタデータ） (2025-03-12T09:27:25Z)
• Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
  部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。 既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。 非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T19:16:01Z)
• Hierarchical Mutual Information Analysis: Towards Multi-view Clustering in The Wild [9.380271109354474]
  この研究は、データリカバリとアライメントを階層的に一貫した方法で融合し、異なるビュー間の相互情報を最大化するディープMVCフレームワークを提案する。 私たちの知る限りでは、これは欠落したデータ問題と不整合データ問題に異なる学習パラダイムで別々に対処する最初の試みになるかもしれません。
  論文  参考訳（メタデータ） (2023-10-28T06:43:57Z)
• 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)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)

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。