論文の概要: Structure-Preserving Multi-View Embedding Using Gromov-Wasserstein Optimal Transport

• arxiv url: http://arxiv.org/abs/2604.02610v1
• Date: Fri, 03 Apr 2026 00:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.262184
• Title: Structure-Preserving Multi-View Embedding Using Gromov-Wasserstein Optimal Transport
• Title（参考訳）: Gromov-Wasserstein Optimal Transport を用いた構造保存多視点埋め込み
• Authors: Rafael Pereira Eufrazio, Eduardo Fernandes Montesuma, Charles Casimiro Cavalcante,
• Abstract要約: 本稿では,Gromov-Wasserstein (GW) 最適輸送を基盤とした2つの幾何学的多視点埋め込み戦略を提案する。 最初の平均GWMDS(Mean-GWMDS)は、平均距離行列を用いてビュー固有の関係情報を集約する。 2つ目の戦略は、Multi-GWMDSと呼ばれ、複数の幾何一貫性のある候補埋め込みを生成する選択に基づくパラダイムを採用する。
• 参考スコア（独自算出の注目度）: 7.216399430290167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view data analysis seeks to integrate multiple representations of the same samples in order to recover a coherent low-dimensional structure. Classical approaches often rely on feature concatenation or explicit alignment assumptions, which become restrictive under heterogeneous geometries or nonlinear distortions. In this work, we propose two geometry-aware multi-view embedding strategies grounded in Gromov-Wasserstein (GW) optimal transport. The first, termed Mean-GWMDS, aggregates view-specific relational information by averaging distance matrices and applying GW-based multidimensional scaling to obtain a representative embedding. The second strategy, referred to as Multi-GWMDS, adopts a selection-based paradigm in which multiple geometry-consistent candidate embeddings are generated via GW-based alignment and a representative embedding is selected. Experiments on synthetic manifolds and real-world datasets show that the proposed methods effectively preserve intrinsic relational structure across views. These results highlight GW-based approaches as a flexible and principled framework for multi-view representation learning.
• Abstract（参考訳）: マルチビューデータ分析は、コヒーレントな低次元構造を復元するために、同じサンプルの複数の表現を統合することを目指している。 古典的なアプローチは、しばしば特徴連結や明示的なアライメントの仮定に依存し、不均一な幾何学や非線形歪みの下で制限的になる。 本稿では,Gromov-Wasserstein (GW) 最適輸送を基盤とした2つの幾何学的マルチビュー埋め込み戦略を提案する。 最初の「平均GWMDS」は、距離行列を平均化し、GWベースの多次元スケーリングを適用して、ビュー固有の関係情報を集約し、代表埋め込みを得る。 第2の戦略は、Multi-GWMDSと呼ばれ、GWベースのアライメントを介して複数の幾何一貫性のある候補埋め込みを生成し、代表埋め込みを選択するという選択に基づくパラダイムを採用する。 合成多様体と実世界のデータセットの実験により,本手法はビュー間の固有関係構造を効果的に保存することを示した。 これらの結果は、多視点表現学習のための柔軟で原則化されたフレームワークとして、GWベースのアプローチを強調している。

関連論文リスト

• From Sparse to Dense: Multi-View GRPO for Flow Models via Augmented Condition Space [78.36537400975298]
  グループ相対政策最適化(GRPO)は、テキスト・ツー・イメージ(T2I)フローモデルにおいて、優先順位調整のための強力なフレームワークとして登場した。 条件空間を拡大することで関係探索を強化する新しい手法であるMulti-View GRPOを提案する。 MV-GRPOは最先端手法よりも優れたアライメント性能を実現する。
  論文  参考訳（メタデータ） (2026-03-13T04:35:13Z)
• CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
  Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。 CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T09:21:38Z)
• Modality Alignment across Trees on Heterogeneous Hyperbolic Manifolds [49.95082206008502]
  ツリーを横断するアライメントは、画像とテキストのモダリティの両方に対してツリーのような階層的な特徴を構築し、調整する手法である。 本稿では,中間トランスフォーマー層からの視覚的クラストークンにクロスアテンション機構を適用した意味認識型視覚特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T11:32:15Z)
• Incomplete Multi-view Clustering via Hierarchical Semantic Alignment and Cooperative Completion [13.39263294343983]
  本稿では,階層的セマンティックアライメントと協調補完(HSACC)に基づく,新しい不完全な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。 HSACCはデュアルレベルのセマンティック空間設計により、堅牢なクロスビュー融合を実現する。 実験の結果、HSACCは5つのベンチマークデータセットで最先端の手法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-10-14T02:58:10Z)
• Fast and Scalable Semi-Supervised Learning for Multi-View Subspace Clustering [13.638434337947302]
  FSSMSCは、既存のアプローチで一般的に見られる高い計算複雑性に対する新しいソリューションである。 この手法は、各データポイントを選択されたランドマークの疎線型結合として表現し、すべてのビューにまたがるコンセンサスアンカーグラフを生成する。 FSSMSCの有効性と効率は、様々なスケールの複数のベンチマークデータセットに対する広範な実験を通して検証される。
  論文  参考訳（メタデータ） (2024-08-11T06:54:00Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Subspace-Contrastive Multi-View Clustering [0.0]
  本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。 ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。 提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
  論文  参考訳（メタデータ） (2022-10-13T07:19:37Z)

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。