論文の概要: Multi-view Graph Convolutional Network with Fully Leveraging Consistency via Granular-ball-based Topology Construction, Feature Enhancement and Interactive Fusion

• arxiv url: http://arxiv.org/abs/2603.26729v1
• Date: Fri, 20 Mar 2026 08:20:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.116269
• Title: Multi-view Graph Convolutional Network with Fully Leveraging Consistency via Granular-ball-based Topology Construction, Feature Enhancement and Interactive Fusion
• Title（参考訳）: グラニュラーボールを用いたトポロジー構築・特徴強調・相互融合による完全レバレッジ一貫性を有する多視点グラフ畳み込みネットワーク
• Authors: Chengjie Cui, Taihua Xua, Shuyin Xia, Qinghua Zhang, Yun Cui, Shiping Wang,
• Abstract要約: GCNはノード接続を活用して、グラフ全体に情報を伝達する。 既存のGCNベースのマルチビューメソッドの多くは、いくつかの制限に悩まされている。 本稿では,GBベースのトポロジ構築,機能拡張,対話型融合による一貫性をフル活用したマルチビューグラフ畳み込みネットワークを提案する。
• 参考スコア（独自算出の注目度）: 32.96540813949643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effective utilization of consistency is crucial for multi-view learning. GCNs leverage node connections to propagate information across the graph, facilitating the exploitation of consistency in multi-view data. However, most existing GCN-based multi-view methods suffer from several limitations. First, current approaches predominantly rely on KNN for topology construction, where the artificial selection of the k value significantly constrains the effective exploitation of inter-node consistency. Second, the inter-feature consistency within individual views is often overlooked, which adversely affects the quality of the final embedding representations. Moreover, these methods fail to fully utilize inter-view consistency as the fusion of embedded representations from multiple views is often implemented after the intra-view graph convolutional operation. Collectively, these issues limit the model's capacity to fully capture inter-node, inter-feature and inter-view consistency. To address these issues, this paper proposes the multi-view graph convolutional network with fully leveraging consistency via GB-based topology construction, feature enhancement and interactive fusion (MGCN-FLC). MGCN-FLC can fully utilize three types of consistency via the following three modules to enhance learning ability:The topology construction module based on the granular ball algorithm, which clusters nodes into granular balls with high internal similarity to capture inter-node consistency;The feature enhancement module that improves feature representations by capturing inter-feature consistency;The interactive fusion module that enables each view to deeply interact with all other views, thereby obtaining more comprehensive inter-view consistency. Experimental results on nine datasets show that the proposed MGCN-FLC outperforms state-of-the-art semi-supervised node classification methods.
• Abstract（参考訳）: 一貫性の有効活用は多視点学習に不可欠である。 GCNはノード接続を利用してグラフ全体の情報を伝達し、マルチビューデータの一貫性の活用を容易にする。 しかし、既存のGCNベースのマルチビュー手法にはいくつかの制限がある。 第一に、現在のアプローチは、KNNに大きく依存しており、k値の人工的な選択は、ノード間の一貫性の効果的な利用を著しく制限している。 第二に、個々のビューにおける機能間の一貫性はしばしば見過ごされ、最終埋め込み表現の品質に悪影響を及ぼす。 さらに、複数のビューからの埋め込み表現の融合は、ビュー内畳み込み操作後にしばしば実施されるため、ビュー間の一貫性を完全に活用することができない。 集合的に、これらの問題は、ノード間、機能間、ビュー間の一貫性を完全にキャプチャするモデルの能力を制限する。 これらの課題に対処するために,GBベースのトポロジ構築,機能拡張,対話型融合(MGCN-FLC)による一貫性をフル活用したマルチビューグラフ畳み込みネットワークを提案する。 MGCN-FLCは、以下の3つのモジュールを通して、学習能力を高めるために、3種類の一貫性を完全に活用することができる: 粒状球アルゴリズムに基づくトポロジ構築モジュールは、ノードを内部的類似度の高い粒状球にクラスタリングし、ノード間一貫性を捕捉する; 機能間一貫性をキャプチャすることで特徴表現を改善する機能拡張モジュール; 各ビューが他のビューと深く相互作用し、より包括的なビュー間一貫性を得る。 9つのデータセットの実験結果から,提案したMGCN-FLCは,最先端の半教師付きノード分類法よりも優れていた。

関連論文リスト

• Multi-label Classification with Panoptic Context Aggregation Networks [61.82285737410154]
  本稿では,多次幾何学的文脈を階層的に統合する新しいアプローチであるDeep Panoptic Context Aggregation Network(PanCAN)を紹介する。 PanCANは、ランダムウォークとアテンションメカニズムを組み合わせることで、各スケールで複数階の近傍関係を学習する。 NUS-WIDE、PASCAL VOC、2007、MS-COCOベンチマークの実験は、PanCANが一貫して競争結果を達成することを示した。
  論文  参考訳（メタデータ） (2025-12-29T14:16:21Z)
• Enhancing Semi-Supervised Multi-View Graph Convolutional Networks via Supervised Contrastive Learning and Self-Training [9.300953069946969]
  グラフ畳み込みネットワーク(GCN)に基づく多視点学習は、異種視点から構造情報を統合するための強力なフレームワークを提供する。 既存のメソッドはビューをまたいだ補完的な情報を十分に活用することができず、最適化された特徴表現と限られたパフォーマンスに繋がる。 MV-SupGCNは,複数の相補的成分と明確なモチベーションと相互強化を統合した半教師付きGCNモデルである。
  論文  参考訳（メタデータ） (2025-12-15T16:39:23Z)
• MCFCN: Multi-View Clustering via a Fusion-Consensus Graph Convolutional Network [9.300953069946969]
  マルチビュークラスタリングを改善するために, MCFCN (Fusion-Consensus Graph Convolutional Network) を提案する。 マルチビューデータのコンセンサスグラフをエンドツーエンドで学習し、効果的なコンセンサス表現を学習する。 MCFCNは8つのマルチビューベンチマークデータセットで最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-11-03T14:46:04Z)
• Trunk-branch Contrastive Network with Multi-view Deformable Aggregation for Multi-view Action Recognition [8.99769677768336]
  マルチビューアクション認識は、与えられたマルチビューシーンにおけるアクションを特定することを目的としている。 RGBに基づくマルチビュー動作認識のための新しいトランクブランチコントラストネットワーク(TBCNet)を提案する。
  論文  参考訳（メタデータ） (2025-02-23T08:10:20Z)
• M$^3$Net: Multi-view Encoding, Matching, and Fusion for Few-shot Fine-grained Action Recognition [80.21796574234287]
  M$3$Netは、FS-FGアクション認識のためのマッチングベースのフレームワークである。 textitmulti-view エンコーディング、textitmulti-view matching、textitmulti-view fusion を組み込んで、埋め込みエンコーディング、類似性マッチング、意思決定を容易にする。 説明可能な可視化と実験結果により,M$3$Netの微細な動作の詳細を捉える上での優位性が示された。
  論文  参考訳（メタデータ） (2023-08-06T09:15:14Z)
• Multi-Spectral Image Stitching via Spatial Graph Reasoning [52.27796682972484]
  空間グラフ推論に基づくマルチスペクトル画像縫合法を提案する。 同一のビュー位置から複数スケールの補完機能をノードに埋め込む。 空間的・チャネル的次元に沿った長距離コヒーレンスを導入することにより、画素関係の相補性とチャネル相互依存性は、整列したマルチビュー特徴の再構築に寄与する。
  論文  参考訳（メタデータ） (2023-07-31T15:04:52Z)
• Multi-Grained Multimodal Interaction Network for Entity Linking [65.30260033700338]
  マルチモーダルエンティティリンクタスクは、マルチモーダル知識グラフへの曖昧な言及を解決することを目的としている。 MELタスクを解決するための新しいMulti-Grained Multimodal InteraCtion Network $textbf(MIMIC)$ frameworkを提案する。
  論文  参考訳（メタデータ） (2023-07-19T02:11:19Z)
• Multi-view Graph Convolutional Networks with Differentiable Node Selection [29.575611350389444]
  差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。 MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。 提案手法の有効性は,最先端手法と厳密な比較により検証した。
  論文  参考訳（メタデータ） (2022-12-09T21:48:36Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• Multilayer Graph Contrastive Clustering Network [14.864683908759327]
  MGCCN(Multilayer Graph Contrastive Clustering Network)と呼ばれる多層グラフクラスタリングのための汎用的で効果的なオートエンコーダフレームワークを提案する。 MGCCNは3つのモジュールから構成される。(1)ノードと隣接ノードの関連性をよりよく把握するためにアテンション機構が適用され、(2)異なるネットワークにおける一貫性のある情報をよりよく探索するためにコントラスト融合戦略が導入され、(3)MGCCNはノードの埋め込みとクラスタリングを反復的に強化する自己管理コンポーネントを採用している。
  論文  参考訳（メタデータ） (2021-12-28T07:21:13Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)

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。