論文の概要: Adaptive Disentangled Representation Learning for Incomplete Multi-View Multi-Label Classification

• arxiv url: http://arxiv.org/abs/2601.05785v1
• Date: Fri, 09 Jan 2026 13:22:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.97433
• Title: Adaptive Disentangled Representation Learning for Incomplete Multi-View Multi-Label Classification
• Title（参考訳）: 不完全多視点マルチラベル分類のための適応ディスタングル表現学習
• Authors: Quanjiang Li, Zhiming Liu, Tianxiang Xu, Tingjin Luo, Chenping Hou,
• Abstract要約: マルチビューマルチラベル学習は、しばしば機能の欠如と不完全なアノテーションに悩まされる。 本稿では,適応ディスタングル型表現学習法を提案する。 ADRLは、近隣の認識を伴うモダリティにまたがる特徴レベルの親和性を伝播することにより、堅牢なビューコンプリートを実現する。 公開データセットと実世界のアプリケーションに関する実験は、ADRLの優れた性能を示している。
• 参考スコア（独自算出の注目度）: 21.46127994164718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view multi-label learning frequently suffers from simultaneous feature absence and incomplete annotations, due to challenges in data acquisition and cost-intensive supervision. To tackle the complex yet highly practical problem while overcoming the existing limitations of feature recovery, representation disentanglement, and label semantics modeling, we propose an Adaptive Disentangled Representation Learning method (ADRL). ADRL achieves robust view completion by propagating feature-level affinity across modalities with neighborhood awareness, and reinforces reconstruction effectiveness by leveraging a stochastic masking strategy. Through disseminating category-level association across label distributions, ADRL refines distribution parameters for capturing interdependent label prototypes. Besides, we formulate a mutual-information-based objective to promote consistency among shared representations and suppress information overlap between view-specific representation and other modalities. Theoretically, we derive the tractable bounds to train the dual-channel network. Moreover, ADRL performs prototype-specific feature selection by enabling independent interactions between label embeddings and view representations, accompanied by the generation of pseudo-labels for each category. The structural characteristics of the pseudo-label space are then exploited to guide a discriminative trade-off during view fusion. Finally, extensive experiments on public datasets and real-world applications demonstrate the superior performance of ADRL.
• Abstract（参考訳）: マルチビューマルチラベル学習は、データ取得とコスト集中管理の課題により、同時に機能欠如と不完全アノテーションに悩まされることが多い。 特徴回復,表現不整合,ラベルセマンティクスモデリングといった既存の制約を克服しつつ,複雑だが非常に実用的な課題に対処するために,適応不整合表現学習法(Adaptive Disentangled Representation Learning method, ADRL)を提案する。 ADRLは,特徴レベルの親和性を近隣の認識と共に伝播させ,確率的マスキング戦略を活用して再建効果を高めることにより,堅牢なビューコンプリートを実現する。 ADRLは、ラベル分布にまたがるカテゴリレベルのアソシエーションを分散することにより、依存ラベルのプロトタイプをキャプチャするための分布パラメータを洗練する。 さらに、共有表現間の一貫性を促進し、ビュー固有表現と他のモダリティとの重なり合いを抑えるために、相互情報に基づく目的を定式化する。 理論的には、二重チャネルネットワークをトレーニングするためのトラクタブルバウンダリを導出する。 さらに、ADRLは、各カテゴリの擬似ラベルの生成とともに、ラベル埋め込みとビュー表現の独立な相互作用を可能にすることにより、プロトタイプ固有の特徴選択を行う。 次に、擬似ラベル空間の構造特性を利用して、ビュー融合時の識別的トレードオフを導出する。 最後に、パブリックデータセットと実世界のアプリケーションに関する広範な実験は、ADRLの優れた性能を示している。

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)
• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance [69.58609684008964]
  本稿では,distriBution dUal-Consistency Recovery Guidanceを用いた不完全なマルチビュークラスタリング手法であるBURGを提案する。 我々は,各サンプルを別カテゴリとして扱い,欠落したビューの分布空間を予測するために,クロスビュー配信を行う。 信頼性の高いカテゴリ情報の欠如を補うために,隣り合った整合性によって案内されるビュー内アライメントと,プロトタイプ的な整合性によって案内されるクロスビューアライメントを含む二重整合性ガイド付きリカバリ戦略を設計する。
  論文  参考訳（メタデータ） (2025-03-14T02:27:45Z)
• Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
  教師なし学習 可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。 本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。 提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
  論文  参考訳（メタデータ） (2023-05-22T04:40:30Z)
• 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)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)

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。