論文の概要: Missing Pattern Tree based Decision Grouping and Ensemble for Deep Incomplete Multi-View Clustering

• arxiv url: http://arxiv.org/abs/2512.21510v1
• Date: Thu, 25 Dec 2025 05:13:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:55:53.312314
• Title: Missing Pattern Tree based Decision Grouping and Ensemble for Deep Incomplete Multi-View Clustering
• Title（参考訳）: 深い不完全なマルチビュークラスタリングのためのパターン木に基づく決定グループとアンサンブルの欠落
• Authors: Wenyuan Yang, Jie Xu, Hongqing He, Jiangzhang Gan, Xiaofeng Zhu,
• Abstract要約: そこで本研究では,新しいパターンベースIMVCフレームワークであるTreeEICを提案する。 利用可能なマルチビューペアの完全な活用を実現するため、TreeEICはまず、欠落パターンツリーモデルを定義した。 マルチビュー決定アンサンブルモジュールは、すべての決定集合からのクラスタリング結果を集約するために提案される。 アンサンブルから個別の知識蒸留モジュールは、アンサンブルの知識をビュー固有のクラスタリングモデルに転送する。
• 参考スコア（独自算出の注目度）: 14.721113184008464
• License:
• Abstract: Real-world multi-view data usually exhibits highly inconsistent missing patterns which challenges the effectiveness of incomplete multi-view clustering (IMVC). Although existing IMVC methods have made progress from both imputation-based and imputation-free routes, they have overlooked the pair under-utilization issue, i.e., inconsistent missing patterns make the incomplete but available multi-view pairs unable to be fully utilized, thereby limiting the model performance. To address this, we propose a novel missing-pattern tree based IMVC framework entitled TreeEIC. Specifically, to achieve full exploitation of available multi-view pairs, TreeEIC first defines the missing-pattern tree model to group data into multiple decision sets according to different missing patterns, and then performs multi-view clustering within each set. Furthermore, a multi-view decision ensemble module is proposed to aggregate clustering results from all decision sets, which infers uncertainty-based weights to suppress unreliable clustering decisions and produce robust decisions. Finally, an ensemble-to-individual knowledge distillation module transfers the ensemble knowledge to view-specific clustering models, which enables ensemble and individual modules to promote each other by optimizing cross-view consistency and inter-cluster discrimination losses. Extensive experiments on multiple benchmark datasets demonstrate that our TreeEIC achieves state-of-the-art IMVC performance and exhibits superior robustness under highly inconsistent missing patterns.
• Abstract（参考訳）: 実世界のマルチビューデータは通常、不完全なマルチビュークラスタリング(IMVC)の有効性に挑戦する、非常に一貫性のない欠落パターンを示す。 既存のIMVC法は、命令ベースの経路と命令なし経路の両方から進歩を遂げているが、彼らは2つのアンダーユース化の問題を見落としている。 そこで本研究では,新しいパターンベースIMVCフレームワークであるTreeEICを提案する。 具体的には、利用可能なマルチビューペアをフルに活用するために、TreeEICはまず、欠落したパターンに応じてデータを複数の決定セットにグループ化し、各セット内でマルチビュークラスタリングを実行するために、欠落したパターンツリーモデルを定義します。 さらに、不確実性に基づく重み付けを推論し、信頼性の低いクラスタリング決定を抑え、ロバストな決定を生成するマルチビュー決定アンサンブルモジュールを提案する。 最後に、アンサンブルから個別の知識蒸留モジュールは、アンサンブル知識をビュー固有のクラスタリングモデルに転送し、アンサンブルと個々のモジュールが相互に促進し、クロスビュー一貫性とクラスタ間識別損失を最適化する。 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は、われわれのTreeEICが最先端のIMVC性能を達成し、非常に一貫性のない欠落パターンの下で優れた堅牢性を示すことを示した。

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)
• 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)
• URRL-IMVC: Unified and Robust Representation Learning for Incomplete Multi-View Clustering [28.776476995363048]
  不完全なマルチビュークラスタリングのための統一表現学習(URRL-IMVC)を提案する。 URRL-IMVCは、複数のビューや隣接するサンプルからの情報を統合することで、失われた状態を見るのに堅牢な統合埋め込みを直接学習する。 提案するURRL-IMVCフレームワークを様々なベンチマークデータセット上で広範囲に評価し,その最先端性能を実証した。
  論文  参考訳（メタデータ） (2024-07-12T09:35:25Z)
• 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)
• Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
  本稿では,新しいアンカーグラフ学習フレームワークを提案する。 ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。 提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
  論文  参考訳（メタデータ） (2023-08-31T08:30:26Z)
• Incomplete Multi-view Clustering via Diffusion Completion [0.0]
  本稿では,不完全なマルチビュークラスタリングフレームワークに組み込まれている不完全なビューを復元する拡散補完法を提案する。 観測可能なビュー情報に基づいて、拡散モデルを用いて、行方不明のビューを復元する。 提案手法は,最先端の手法と比較して,クラスタリング性能が優れている一方で,欠落したビューの回復に有効である。
  論文  参考訳（メタデータ） (2023-05-19T07:39:24Z)
• 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)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Localized Sparse Incomplete Multi-view Clustering [22.009806900278786]
  本稿では,ローカライズされたスパース不完全なマルチビュークラスタリング(LSIMVC)という,シンプルだが効果的な手法を提案する。 このような問題に対処するために,ローカライズされたスパース不完全なマルチビュークラスタリング(LSIMVC)という,シンプルだが効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T05:48:28Z)

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。