論文の概要: SEHFS: Structural Entropy-Guided High-Order Correlation Learning for Multi-View Multi-Label Feature Selection

• arxiv url: http://arxiv.org/abs/2603.03022v1
• Date: Tue, 03 Mar 2026 14:15:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.830943
• Title: SEHFS: Structural Entropy-Guided High-Order Correlation Learning for Multi-View Multi-Label Feature Selection
• Title（参考訳）: SEHFS:マルチビューマルチラベル特徴選択のための構造エントロピー誘導高次相関学習
• Authors: Cheng Peng, Yonghao Li, Wanfu Gao, Jie Wen, Weiping Ding,
• Abstract要約: マルチビューマルチラベル特徴選択(SEHFS)のための構造エントロピー誘導高次相関学習を提案する。 SEHFSグループは、エンコーディングツリー内の単一のクラスタに強力な高次冗長性を持つ。 情報理論と行列法の融合に基づく新しいフレームワークが採用され、グローバルなビューマトリックスを再構築するために、共有意味行列とビュー固有のコントリビューションを学習する。
• 参考スコア（独自算出の注目度）: 32.73824178667282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, multi-view multi-label learning (MVML) has attracted extensive attention due to its close alignment to real-world scenarios. Information-theoretic methods have gained prominence for learning nonlinear correlations. However, two key challenges persist: first, features in real-world data commonly exhibit high-order structural correlations, but existing information-theoretic methods struggle to learn such correlations; second, commonly relying on heuristic optimization, information-theoretic methods are prone to converging to local optima. To address these two challenges, we propose a novel method called Structural Entropy Guided High-Order Correlation Learning for Multi-View Multi-Label Feature Selection (SEHFS). The core idea of SEHFS is to convert the feature graph into a structural-entropy-minimizing encoding tree, quantifying the information cost of high-order dependencies and thus learning high-order feature correlations beyond pairwise correlations. Specifically, features exhibiting strong high-order redundancy are grouped into a single cluster within the encoding tree, while inter-cluster feaeture correlations are minimized, thereby eliminating redundancy both within and across clusters. Furthermore, a new framework based on the fusion of information theory and matrix methods is adopted, which learns a shared semantic matrix and view-specific contribution matrices to reconstruct a global view matrix, thereby enhancing the information-theoretic method and balancing the global and local optimization. The ability of structural entropy to learn high-order correlations is theoretically established, and and both experiments on eight datasets from various domains and ablation studies demonstrate that SEHFS achieves superior performance in feature selection.
• Abstract（参考訳）: 近年,Multi-view Multi-label Learning (MVML) が注目されている。 非線形相関を学習するための情報理論手法が注目されている。 第一に、実世界のデータの特徴は高次構造相関を示すが、既存の情報理論手法はそのような相関を学習するのに苦労し、第二に、ヒューリスティック最適化に頼り、情報理論手法は局所最適に収束する傾向にある。 これら2つの課題に対処するため,多視点マルチラベル特徴選択(SEHFS)のための構造エントロピーガイド高次相関学習法を提案する。 SEHFSの中核となる考え方は、特徴グラフを構造エントロピー最小化木に変換し、高次依存関係の情報コストを定量化し、高次特徴相関を対関係を超えて学習することである。 具体的には、強い高次冗長性を示す特徴を符号化木内の単一クラスタにグループ化し、クラスタ間の相関を最小化し、クラスタ内およびクラスタ間の冗長性を排除する。 さらに、情報理論と行列法の融合に基づく新しいフレームワークを採用し、共有意味行列とビュー固有のコントリビューション行列を学習し、グローバルビューマトリックスを再構築し、情報理論の手法を強化し、グローバルおよびローカル最適化のバランスをとる。 高次相関を学習する構造エントロピーの能力は理論的に確立されており、様々な領域の8つのデータセットとアブレーション研究の両方の実験により、SEHFSは特徴選択において優れた性能を発揮することが示されている。

関連論文リスト

• CCMamba: Selective State-Space Models for Higher-Order Graph Learning on Combinatorial Complexes [16.627877999057436]
  トポロジカルディープラーニングは、対の相互作用を超えた高次構造をモデル化するために登場した。 我々は,リレーショナルコンプレックスを学習するための最初の統合マンバベースニューラルフレームワークである Combinatorial Complex Mambaを提案する。 CCMambaは、ランク対応状態空間モデルによって処理される構造化シーケンスにマルチランクの入射関係を整理することにより、選択的な状態空間モデリング問題としてメッセージパッシングを再構成する。
  論文  参考訳（メタデータ） (2026-01-28T11:52:13Z)
• Cross-Modal Attention Network with Dual Graph Learning in Multimodal Recommendation [12.802844514133255]
  二重グラフ埋め込み(CRANE)を用いたクロスモーダル再帰注意ネットワーク 我々は,共同潜在空間における相互相関に基づくモダリティ特徴を反復的に洗練するコア再帰的クロスモーダルアテンション(RCA)機構を設計する。 対称型マルチモーダル学習では,対話した項目の特徴を集約することで,ユーザのマルチモーダルプロファイルを明示的に構築する。
  論文  参考訳（メタデータ） (2026-01-16T10:09:39Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• SCALAR: Self-Calibrating Adaptive Latent Attention Representation Learning [2.152549977410309]
  複雑な特徴相互作用を持つ高次元ヘテロジニアスデータは、従来の予測モデリングアプローチに重大な課題をもたらす。 本アーキテクチャでは,異なる特徴群を個別に処理するアダプティブカーネルベースのアテンション機構を導入している。 実験結果は、さまざまなデータセットにわたる最先端の手法と比較して、パフォーマンス指標が大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2025-10-18T12:41:18Z)
• Intra-view and Inter-view Correlation Guided Multi-view Novel Class Discovery [52.616615506638205]
  新たなクラス発見 (NCD) は、解離した既知のクラスからの知識を活用することで、新しいクラスをクラスタリングすることを目的としている。 Intra-view and Inter-view correlation Guided Multi-view Novel Class Discovery (IICMVNCD) という新しいフレームワークを提案する。 IICMVNCDはマルチビュー環境でNCDを探索する最初の試みである。
  論文  参考訳（メタデータ） (2025-07-16T08:42:52Z)
• Multi-Level Aware Preference Learning: Enhancing RLHF for Complex Multi-Instruction Tasks [81.44256822500257]
  RLHFは、人工知能システムと人間の好みを結びつける主要なアプローチとして登場した。 RLHFは、複雑なマルチインストラクションタスクに直面すると、不十分なコンプライアンス機能を示す。 本稿では,マルチインストラクション能力を向上させる新しいMAPL(Multi-level Aware Preference Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T08:33:11Z)
• Fast Disentangled Slim Tensor Learning for Multi-view Clustering [28.950845031752927]
  本稿では,マルチビュークラスタリングのための高速離散スリム学習法(DSTL)を提案する。 頑健なPCAにインスパイアされた特徴冗長性の負の影響を軽減するため、DSTLは、潜在する低次元表現を、各ビューに対する意味的非関連部分と意味的関連部分に分解する。 提案手法は計算効率が高く,効果的に解ける。
  論文  参考訳（メタデータ） (2024-11-12T09:57:53Z)
• 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)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。