論文の概要: Subspace Clustering on Incomplete Data with Self-Supervised Contrastive Learning

• arxiv url: http://arxiv.org/abs/2602.00262v1
• Date: Fri, 30 Jan 2026 19:24:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.082676
• Title: Subspace Clustering on Incomplete Data with Self-Supervised Contrastive Learning
• Title（参考訳）: 自己監督型コントラスト学習による不完全データのサブスペースクラスタリング
• Authors: Huanran Li, Daniel Pimentel-Alarcón,
• Abstract要約: サブスペースクラスタリングは、低次元のサブスペースの結合にあるデータポイントをグループ化することを目的としている。 現在の手法では、完全に観測されたデータを仮定し、欠落したエントリを持つ現実世界のシナリオにおける有効性を制限している。 不完全なデータをクラスタリングするために設計されたContrastive Subspace Clustering (CSC)を提案する。
• 参考スコア（独自算出の注目度）: 0.7161783472741748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subspace clustering aims to group data points that lie in a union of low-dimensional subspaces and finds wide application in computer vision, hyperspectral imaging, and recommendation systems. However, most existing methods assume fully observed data, limiting their effectiveness in real-world scenarios with missing entries. In this paper, we propose a contrastive self-supervised framework, Contrastive Subspace Clustering (CSC), designed for clustering incomplete data. CSC generates masked views of partially observed inputs and trains a deep neural network using a SimCLR-style contrastive loss to learn invariant embeddings. These embeddings are then clustered using sparse subspace clustering. Experiments on six benchmark datasets show that CSC consistently outperforms both classical and deep learning baselines, demonstrating strong robustness to missing data and scalability to large datasets.
• Abstract（参考訳）: サブスペースクラスタリングは、低次元のサブスペースの結合にあるデータポイントをグループ化することを目的としており、コンピュータビジョン、ハイパースペクトルイメージング、レコメンデーションシステムに広く応用されている。 しかし、既存のほとんどの手法は、完全に観測されたデータを想定しており、実際のシナリオにおける有効性を欠いたエントリで制限している。 本稿では,非完全データをクラスタリングするためのコントラスト型自己管理フレームワークであるContrastive Subspace Clustering (CSC)を提案する。 CSCは、部分的に観察された入力のマスク付きビューを生成し、SimCLRスタイルのコントラスト損失を使用してディープニューラルネットワークをトレーニングし、不変な埋め込みを学習する。 これらの埋め込みはスパースサブスペースクラスタリングを使用してクラスタ化される。 6つのベンチマークデータセットの実験によると、CSCは古典的ベースラインとディープラーニングベースラインの両方を一貫して上回り、欠落データに対する強い堅牢性と大規模なデータセットに対するスケーラビリティを示している。

関連論文リスト

• Robust Categorical Data Clustering Guided by Multi-Granular Competitive Learning [47.32771052588132]
  ネストされた粒状クラスター効果は、カテゴリーデータの暗黙的な離散距離空間で顕著である。 本稿では,潜在的なクラスタが対話的に自分自身をチューニングできるマルチグラニュラ競合学習アルゴリズムを提案する。 提案手法は,マルチグラニュラクラスタのネスト分布の探索に有効であることを示す。
  論文  参考訳（メタデータ） (2026-01-23T06:33:08Z)
• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Sampling-enabled scalable manifold learning unveils the discriminative cluster structure of high-dimensional data [17.411028691739897]
  大規模・高次元データに対して一様および識別的埋め込み(SUDE)を可能にする,サンプリングベースでスケーラブルな多様体学習手法を提案する。 合成データセットと実世界のベンチマークにおけるSUDEの有効性を実証的に検証し, 単細胞データの解析と心電図信号の異常検出に応用した。
  論文  参考訳（メタデータ） (2024-01-02T08:43:06Z)
• CueGCL: Cluster-aware Personalized Self-Training for Unsupervised Graph Contrastive Learning [49.88192702588169]
  本稿ではクラスタリング結果とノード表現を協調的に学習するクラスタ対応グラフコントラスト学習フレームワーク(CueGCL)を提案する。 具体的には、教師なしシナリオのためのパーソナライズされた自己学習(PeST)戦略を設計し、クラスタレベルのパーソナライズされた正確な情報をモデルが取得できるようにする。 本稿では,モデルの有効性を理論的に実証し,クラスタ構造が著しく識別可能な埋め込み空間が得られることを示した。
  論文  参考訳（メタデータ） (2023-11-18T13:45:21Z)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• Overcomplete Deep Subspace Clustering Networks [80.16644725886968]
  4つのベンチマークデータセットの実験結果から,クラスタリング誤差の観点から,DSCや他のクラスタリング手法に対する提案手法の有効性が示された。 また,本手法は,最高の性能を得るために事前学習を中止する点にDSCほど依存せず,騒音にも頑健である。
  論文  参考訳（メタデータ） (2020-11-16T22:07:18Z)
• Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for Hyperspectral Image [6.332208511335129]
  本稿では,HSIクラスタリングのための新しいサブスペースクラスタリングフレームワークであるGraph Convolutional Subspace Clustering (GCSC)を提案する。 具体的には、このフレームワークはデータの自己表現性を非ユークリッド領域に再キャストする。 従来のサブスペースクラスタリングモデルはユークリッドデータを用いたフレームワークの特別な形態であることを示す。
  論文  参考訳（メタデータ） (2020-04-22T10:09:19Z)

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。