論文の概要: Kernel Alignment-based Multi-view Unsupervised Feature Selection with Sample-level Adaptive Graph Learning

• arxiv url: http://arxiv.org/abs/2601.07288v1
• Date: Mon, 12 Jan 2026 07:50:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.270983
• Title: Kernel Alignment-based Multi-view Unsupervised Feature Selection with Sample-level Adaptive Graph Learning
• Title（参考訳）: サンプルレベル適応グラフ学習を用いたカーネルアライメントに基づくマルチビュー教師なし特徴選択
• Authors: Yalan Tan, Yanyong Huang, Zongxin Shen, Dongjie Wang, Fengmao Lv, Tianrui Li,
• Abstract要約: 我々は,これらの問題に対処するために,サンプルレベル適応グラフ lEarning 法 (KAFUSE) を用いたカーネルアライメントに基づくマルチビュー非教師付きFeatUre選択を提案する。 実際のマルチビューデータセットの実験は、最先端の手法よりもKAFUSEの方が優れていることを示している。
• 参考スコア（独自算出の注目度）: 23.32756750343138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although multi-view unsupervised feature selection (MUFS) has demonstrated success in dimensionality reduction for unlabeled multi-view data, most existing methods reduce feature redundancy by focusing on linear correlations among features but often overlook complex nonlinear dependencies. This limits the effectiveness of feature selection. In addition, existing methods fuse similarity graphs from multiple views by employing sample-invariant weights to preserve local structure. However, this process fails to account for differences in local neighborhood clarity among samples within each view, thereby hindering accurate characterization of the intrinsic local structure of the data. In this paper, we propose a Kernel Alignment-based multi-view unsupervised FeatUre selection with Sample-level adaptive graph lEarning method (KAFUSE) to address these issues. Specifically, we first employ kernel alignment with an orthogonal constraint to reduce feature redundancy in both linear and nonlinear relationships. Then, a cross-view consistent similarity graph is learned by applying sample-level fusion to each slice of a tensor formed by stacking similarity graphs from different views, which automatically adjusts the view weights for each sample during fusion. These two steps are integrated into a unified model for feature selection, enabling mutual enhancement between them. Extensive experiments on real multi-view datasets demonstrate the superiority of KAFUSE over state-of-the-art methods.
• Abstract（参考訳）: マルチビュー非教師付き特徴選択 (MUFS) は, ラベル付きマルチビューデータの次元性低減に成功しているが, 既存の手法の多くは, 特徴間の線形相関に着目して特徴の冗長性を低下させるが, 複雑な非線形依存を無視することが多い。 これにより、特徴選択の有効性が制限される。 さらに、既存の方法では、局所構造を保存するためにサンプル不変重みを用いて、複数のビューから類似性グラフを融合する。 しかし、このプロセスは各ビュー内のサンプル間の局所的近傍の明瞭度の違いを考慮できないため、データ固有の局所構造の正確な特徴付けが妨げられる。 本稿では,これらの問題に対処するために,サンプルレベル適応グラフ lEarning 法 (KAFUSE) を用いたカーネルアライメントに基づくマルチビュー非教師付きFeatUre選択を提案する。 具体的には、まず直交制約を伴うカーネルアライメントを用いて、線形関係と非線形関係の両方における特徴冗長性を減少させる。 そして、異なるビューから類似性グラフを積み重ねて形成したテンソルの各スライスにサンプルレベル融合を適用し、融合中に各サンプルの視重を自動的に調整することにより、クロスビュー一貫した類似性グラフを学習する。 これら2つのステップは特徴選択のための統一モデルに統合され、それらの相互強化を可能にする。 実際のマルチビューデータセットに対する大規模な実験は、最先端の手法よりもKAFUSEの方が優れていることを示している。

関連論文リスト

• Structure-aware Hybrid-order Similarity Learning for Multi-view Unsupervised Feature Selection [28.926101310373383]
  マルチviEw非教師付き特徴選択(SHINE-FS)のための構造認識型ハイブリッドオーダーsmilarity LearNingを提案する。 Shine-FSはまずコンセンサスアンカーと対応するアンカーグラフを学び、アンカーとサンプルの間のクロスビュー関係をキャプチャする。 サンプルの低次元表現を生成し、識別的特徴を識別することにより、多視点データの再構成を容易にする。
  論文  参考訳（メタデータ） (2025-11-27T17:46:06Z)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• Unified View Imputation and Feature Selection Learning for Incomplete Multi-view Data [13.079847265195127]
  マルチビュー非教師付き特徴選択(MUFS)は、機械学習における次元性の低減に有効な技術である。 既存の方法は、一部のサンプルが欠落している不完全なマルチビューデータを直接処理することはできない。 UNIFIERは、サンプルと特徴空間の両方から類似性誘発グラフを適応的に学習することにより、マルチビューデータの局所構造を探索する。
  論文  参考訳（メタデータ） (2024-01-19T08:26:44Z)
• 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)
• 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)
• C$^{2}$IMUFS: Complementary and Consensus Learning-based Incomplete Multi-view Unsupervised Feature Selection [12.340714611533418]
  マルチビュー非教師付き特徴選択(MUFS)は、ラベルなしデータの次元を減少させる有効な手法として実証されている。 本稿では、上記の問題に対処するため、補完的かつコンセンサスに基づく不完全なマルチビュー非教師付き特徴選択法(C$2$IMUFS)を提案する。 C$2$IMUFSは、ビューウェイトとスパース$ell_2,p$-normの適応学習を備えた拡張重み付き非負行列分解モデルに特徴選択を統合する。
  論文  参考訳（メタデータ） (2022-08-20T19:39:17Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。