論文の概要: Quality-Aware Robust Multi-View Clustering for Heterogeneous Observation Noise
- arxiv url: http://arxiv.org/abs/2602.22568v1
- Date: Thu, 26 Feb 2026 03:16:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-27 18:41:22.50409
- Title: Quality-Aware Robust Multi-View Clustering for Heterogeneous Observation Noise
- Title（参考訳）: 不均質な観測騒音に対する品質を考慮したロバスト多視点クラスタリング
- Authors: Peihan Wu, Guanjie Cheng, Yufei Tong, Meng Xi, Shuiguang Deng,
- Abstract要約: QARMVC(Quality-Aware Robust Multi-View Clustering)と呼ばれる新しいフレームワークを提案する。
QARMVCは、ビュー再構成に固有のセマンティクスを抽出するために、情報ボトルネック機構を採用している。
5つのベンチマークデータセットの実験では、QARMVCは一貫して最先端のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 12.720216418233795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep multi-view clustering has achieved remarkable progress but remains vulnerable to complex noise in real-world applications. Existing noisy robust methods predominantly rely on a simplified binary assumption, treating data as either perfectly clean or completely corrupted. This overlooks the prevalent existence of heterogeneous observation noise, where contamination intensity varies continuously across data. To bridge this gap, we propose a novel framework termed Quality-Aware Robust Multi-View Clustering (QARMVC). Specifically, QARMVC employs an information bottleneck mechanism to extract intrinsic semantics for view reconstruction. Leveraging the insight that noise disrupts semantic integrity and impedes reconstruction, we utilize the resulting reconstruction discrepancy to precisely quantify fine-grained contamination intensity and derive instance-level quality scores. These scores are integrated into a hierarchical learning strategy: at the feature level, a quality-weighted contrastive objective is designed to adaptively suppress the propagation of noise; at the fusion level, a high-quality global consensus is constructed via quality-weighted aggregation, which is subsequently utilized to align and rectify local views via mutual information maximization. Extensive experiments on five benchmark datasets demonstrate that QARMVC consistently outperforms state-of-the-art baselines, particularly in scenarios with heterogeneous noise intensities.
- Abstract（参考訳）: 深いマルチビュークラスタリングは目覚ましい進歩を遂げているが、現実世界のアプリケーションでは複雑なノイズに弱いままである。
既存のノイズの多いロバストなメソッドは、主に単純化されたバイナリ仮定に依存し、完全にクリーンか完全に破損したデータとして扱う。
これは、汚染強度がデータ間で連続的に変化する異種観測ノイズの存在を、見落としている。
このギャップを埋めるため、我々はQARMVC(Quality-Aware Robust Multi-View Clustering)と呼ばれる新しいフレームワークを提案する。
特に、QARMVCは、ビュー再構成に固有のセマンティクスを抽出するために、情報ボトルネック機構を採用している。
ノイズが意味的整合性を阻害し、再構成を妨げるという知見を生かして、再現の相違を利用して、きめ細かい汚染強度を正確に定量化し、インスタンスレベルの品質スコアを導出する。
これらのスコアは階層的な学習戦略に統合され、特徴レベルでは、ノイズの伝搬を適応的に抑制するために品質重み付けされたコントラクティブな目標が設計され、融合レベルでは、高品質なグローバルコンセンサスが品質重み付け集約によって構築され、その後、相互情報の最大化を通じて局所的なビューの整列と修正に利用される。
5つのベンチマークデータセットに対する大規模な実験により、QARMVCは、特に異種ノイズ強度のあるシナリオにおいて、最先端のベースラインを一貫して上回ることを示した。
関連論文リスト
- Prior-guided Hierarchical Instance-pixel Contrastive Learning for Ultrasound Speckle Noise Suppression [2.7777929779304955]
本稿では,先行誘導型階層型インスタンス・ピクセルコントラスト学習モデルを提案する。
統計誘導型画素レベルのコントラスト学習戦略を導入し,ノイズとクリーンな画素間の分布差を増大させる。
グローバルコンテキストモデリングのためのTransformer-CNNアーキテクチャを,微細な解剖構造復元に最適化されたCNNベースのデコーダと組み合わせ,ハイブリッドトランスフォーマー-CNNアーキテクチャを採用する。
論文 参考訳（メタデータ） (2026-02-14T16:01:58Z) - Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。
提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
論文 参考訳（メタデータ） (2026-01-12T03:14:12Z) - RAC-DMVC: Reliability-Aware Contrastive Deep Multi-View Clustering under Multi-Source Noise [32.96137519578033]
マルチビュークラスタリング(MVC)は、マルチビューデータを教師なしの方法で別々のクラスタに分離することを目的としている。
マルチソースノイズ下でのMVCは、ノイズや観測ノイズの欠如を含む、より困難な課題に対処する。
本稿では,ノイズの多い環境下での堅牢な表現学習を支援する信頼性グラフを構築するための,信頼度に配慮した深層多視点クラスタリング(RAC-DMVC)を提案する。
論文 参考訳（メタデータ） (2025-11-17T16:28:12Z) - Dual-granularity Sinkhorn Distillation for Enhanced Learning from Long-tailed Noisy Data [67.25796812343454]
ディープラーニングのための実世界のデータセットは、クラス不均衡とラベルノイズの共起的な課題にしばしば悩まされる。
蒸留と相補的な知見の統合により二重強靭性を高める新しいフレームワークであるD-SINKを提案する。
ベンチマークデータセットの実験では、D-SINKはロバスト性を大幅に向上し、長い尾のノイズデータから学習する際の強い経験的性能を達成することが示された。
論文 参考訳（メタデータ） (2025-10-09T13:05:27Z) - Diffusion-Based Limited-Angle CT Reconstruction under Noisy Conditions [10.287171164361608]
角投影の欠如は、再構成された画像の不完全なシノグラムやアーティファクトに繋がる。
本稿では, 平均回帰微分方程式(MR-SDE)を用いて, 角ビューの欠落を解消する拡散型フレームワークを提案する。
現実的な雑音下でのロバスト性を改善するために,推論時間不確実性を明示的にモデル化する新しいノイズ認識機構を提案する。
論文 参考訳（メタデータ） (2025-07-08T03:58:52Z) - Automatically Identify and Rectify: Robust Deep Contrastive Multi-view Clustering in Noisy Scenarios [76.02688769599686]
本稿では,AIRMVCと呼ばれるノイズデータの自動識別と修正のための新しいマルチビュークラスタリングフレームワークを提案する。
具体的には,GMMを用いて雑音識別を異常識別問題として再構成する。
次に,同定結果に基づいて,ノイズデータの悪影響を軽減するためのハイブリッド補正戦略を設計する。
論文 参考訳（メタデータ） (2025-05-27T16:16:54Z) - Robust Learning under Hybrid Noise [24.36707245704713]
本稿では,データリカバリの観点からハイブリッドノイズに対処するため,新たな統合学習フレームワーク"Feature and Label Recovery"(FLR)を提案する。
論文 参考訳（メタデータ） (2024-07-04T16:13:25Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z) - Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。
本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
論文 参考訳（メタデータ） (2021-08-10T14:46:17Z)
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。