論文の概要: Incomplete Multi-View Multi-Label Classification via Shared Codebook and Fused-Teacher Self-Distillation

• arxiv url: http://arxiv.org/abs/2604.04170v1
• Date: Sun, 05 Apr 2026 16:22:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.956823
• Title: Incomplete Multi-View Multi-Label Classification via Shared Codebook and Fused-Teacher Self-Distillation
• Title（参考訳）: 共有コードブックと融合教師自己蒸留による不完全多視点マルチラベル分類
• Authors: Xu Yan, Jun Yin, Shiliang Sun, Minghua Wan,
• Abstract要約: 一貫性のある表現学習のためのより構造化されたメカニズムを導入する。 マルチビュー共有コードブックとクロスビュー再構成を用いて、離散的な一貫した表現を学習する。 さらに,融合型自己蒸留フレームワークについても紹介する。
• 参考スコア（独自算出の注目度）: 39.27376279295644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although multi-view multi-label learning has been extensively studied, research on the dual-missing scenario, where both views and labels are incomplete, remains largely unexplored. Existing methods mainly rely on contrastive learning or information bottleneck theory to learn consistent representations under missing-view conditions, but loss-based alignment without explicit structural constraints limits the ability to capture stable and discriminative shared semantics. To address this issue, we introduce a more structured mechanism for consistent representation learning: we learn discrete consistent representations through a multi-view shared codebook and cross-view reconstruction, which naturally align different views within the limited shared codebook embeddings and reduce feature redundancy. At the decision level, we design a weight estimation method that evaluates the ability of each view to preserve label correlation structures, assigning weights accordingly to enhance the quality of the fused prediction. In addition, we introduce a fused-teacher self-distillation framework, where the fused prediction guides the training of view-specific classifiers and feeds the global knowledge back into the single-view branches, thereby enhancing the generalization ability of the model under missing-label conditions. The effectiveness of our proposed method is thoroughly demonstrated through extensive comparative experiments with advanced methods on five benchmark datasets. Code is available at https://github.com/xuy11/SCSD.
• Abstract（参考訳）: マルチビュー・マルチラベル学習は広く研究されてきたが、ビューとラベルの両方が不完全である二重欠落シナリオの研究は、いまだに未解明のままである。 既存の手法は主に対照的な学習や情報ボトルネック理論に頼り、見当たらない条件下で一貫した表現を学習するが、明示的な構造的制約のない損失ベースのアライメントは、安定的で差別的な共有セマンティクスをキャプチャする能力を制限する。 この問題を解決するために、我々は、一貫性のある表現学習のためのより構造化されたメカニズムを導入します。我々は、マルチビューの共有コードブックとクロスビューの再構築を通して、独立した一貫した表現を学びます。 決定レベルでは,各ビューがラベル相関構造を保存する能力を評価する重み推定手法を設計し,融合予測の質を高めるために重みを割り当てる。 さらに,融合学習者の自己蒸留フレームワークを導入し,融合予測はビュー固有の分類器の訓練を指導し,グローバルな知識を単一ビューブランチにフィードバックすることで,不足ラベル条件下でのモデルの一般化能力を向上する。 提案手法の有効性は,5つのベンチマークデータセット上での高度な手法を用いた広範囲な比較実験を通じて明らかにした。 コードはhttps://github.com/xuy11/SCSDで入手できる。

関連論文リスト

• Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
  既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。 本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-29T03:35:34Z)
• Disentangling Multi-view Representations Beyond Inductive Bias [32.15900989696017]
  本稿では,表現の解釈可能性と一般化性を両立させる新しい多視点表現分離手法を提案する。 提案手法は,クラスタリングと分類性能において,12種類の比較手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T09:09:28Z)
• Reliable Representation Learning for Incomplete Multi-View Missing Multi-Label Classification [78.15629210659516]
  本稿ではRANKと呼ばれる不完全なマルチビュー欠落型マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 私たちのモデルは、完全なマルチビューマルチラベルデータを扱うだけでなく、欠落したインスタンスやラベルを持つデータセットでも処理できます。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Self-Supervised Consistent Quantization for Fully Unsupervised Image Retrieval [17.422973861218182]
  教師なし画像検索は、高価なデータアノテーションを使わずに効率的な検索システムを学習することを目的としている。 近年の進歩は、視覚的特徴と量子化符号を協調的に最適化するために、深いモデルをスクラッチからトレーニングすることを目的とした、完全な教師なし画像検索を提案する。 本稿では, 部分一貫した量子化と大域一貫した量子化からなる, 完全教師なし画像検索のための, 自己教師付き一貫した量子化手法を提案する。
  論文  参考訳（メタデータ） (2022-06-20T14:39:59Z)
• Resolving label uncertainty with implicit posterior models [71.62113762278963]
  本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。 異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
  論文  参考訳（メタデータ） (2022-02-28T18:09:44Z)

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。