論文の概要: Global-Graph Guided and Local-Graph Weighted Contrastive Learning for Unified Clustering on Incomplete and Noise Multi-View Data

• arxiv url: http://arxiv.org/abs/2512.21516v1
• Date: Thu, 25 Dec 2025 05:41:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:55:50.550142
• Title: Global-Graph Guided and Local-Graph Weighted Contrastive Learning for Unified Clustering on Incomplete and Noise Multi-View Data
• Title（参考訳）: 不完全・雑音多視点データに基づく一元クラスタリングのためのグローバルグラフガイドと局所グラフ重み付きコントラスト学習
• Authors: Hongqing He, Jie Xu, Wenyuan Yang, Yonghua Zhu, Guoqiu Wen, Xiaofeng Zhu,
• Abstract要約: 実世界のマルチビューデータはデータの不完全性やノイズに悩まされ、希少なペアのサンプルやミスペアのサンプルとなる。 我々は,不完全かつノイズの多いマルチビューデータに対するクラスタリングの有効性を高めるために,CLベースの統合MVCフレームワークを提案する。 提案手法は計算自由であり,グローバルなグラフ誘導型コントラスト学習フレームワークに統合可能である。
• 参考スコア（独自算出の注目度）: 17.546021510992908
• License:
• Abstract: Recently, contrastive learning (CL) plays an important role in exploring complementary information for multi-view clustering (MVC) and has attracted increasing attention. Nevertheless, real-world multi-view data suffer from data incompleteness or noise, resulting in rare-paired samples or mis-paired samples which significantly challenges the effectiveness of CL-based MVC. That is, rare-paired issue prevents MVC from extracting sufficient multi-view complementary information, and mis-paired issue causes contrastive learning to optimize the model in the wrong direction. To address these issues, we propose a unified CL-based MVC framework for enhancing clustering effectiveness on incomplete and noise multi-view data. First, to overcome the rare-paired issue, we design a global-graph guided contrastive learning, where all view samples construct a global-view affinity graph to form new sample pairs for fully exploring complementary information. Second, to mitigate the mis-paired issue, we propose a local-graph weighted contrastive learning, which leverages local neighbors to generate pair-wise weights to adaptively strength or weaken the pair-wise contrastive learning. Our method is imputation-free and can be integrated into a unified global-local graph-guided contrastive learning framework. Extensive experiments on both incomplete and noise settings of multi-view data demonstrate that our method achieves superior performance compared with state-of-the-art approaches.
• Abstract（参考訳）: 近年,マルチビュークラスタリング(MVC)の補完情報を探究する上で,コントラスト学習(CL)が重要な役割を担い,注目を集めている。 それでも、実世界のマルチビューデータはデータの不完全性やノイズに悩まされ、希少なペアのサンプルや誤ペアのサンプルがCLベースのMVCの有効性に大きく挑戦する。 つまり、まれにペアリングされた問題は、MVCが十分な多視点補完情報を抽出することを妨げる。 これらの問題に対処するために、不完全かつノイズの多いマルチビューデータに対するクラスタリングの有効性を高めるためのCLベースの統合MVCフレームワークを提案する。 まず、この希少な問題を克服するために、全ビューサンプルがグローバルビュー親和性グラフを構築し、補完情報を完全に探索する新しいサンプルペアを形成する、コントラスト学習をガイドしたグローバルグラフを設計する。 第二に、不一致の問題を緩和するために、局所グラフ重み付きコントラスト学習を提案し、これは、近隣住民がペアワイト重みを生成して、ペアワイトコントラスト学習を適応的に強化または弱める。 提案手法は計算自由であり,グローバルなグラフ誘導型コントラスト学習フレームワークに統合可能である。 マルチビューデータにおける不完全条件と雑音条件の両方に関する広範囲な実験により,本手法は最先端手法と比較して優れた性能を発揮することが示された。

関連論文リスト

• SMART: Semantic Matching Contrastive Learning for Partially View-Aligned Clustering [46.33455475152849]
  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。
  論文  参考訳（メタデータ） (2025-12-17T12:48:41Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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。