論文の概要: Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2604.16959v1
• Date: Sat, 18 Apr 2026 10:50:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.261983
• Title: Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering
• Title（参考訳）: 不完全多視点クラスタリングのための双曲強調表現学習
• Authors: Tianyi Chen, Haobo Wang, Kai Tang, Gengyu Lyu, Tianlei Hu, Gang Chen, Hong Ma, Meixiang Xiang,
• Abstract要約: 本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 57.38215918201251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incomplete Multi-View Clustering (IMVC) faces the challenge of learning discriminative representations from fragmentary observations while maintaining robustness against missing views. However, prevalent Euclidean-based methods suffer from a geometric mismatch when modeling real-world data with intrinsic hierarchies, leading to semantic blurring where representations drift towards spatially proximal but semantically distinct neighbors. To bridge this gap, we propose HERL, a Hyperbolic Enhanced Representation Learning framework for IMVC. Operating within the Poincaré ball, HERL constructs a structure-aware latent space to enhance representation learning. Specifically, we design a dual-constraint hyperbolic contrastive mechanism optimizing: an angular-based loss to preserve semantic identity via directional alignment, and a distance-based loss to enforce hierarchical compactness. Furthermore, a hyperbolic prototype head is introduced to rectify global structural drift by aligning cross-view hierarchy-aware prototype distributions. Consequently, HERL disentangles fine-grained semantic correlations to sharpen cluster boundaries and imposes geometric constraints to rectify the data recovery process. Extensive experimental results demonstrate that HERL consistently outperforms state-of-the-art approaches.
• Abstract（参考訳）: 不完全なマルチビュークラスタリング(IMVC)は、断片的な観察から識別的表現を学習し、欠落したビューに対して堅牢性を維持するという課題に直面している。 しかし、ユークリッドに基づく一般的な手法は、現実のデータを固有階層でモデル化する際に幾何学的ミスマッチに悩まされ、空間的に近縁だが意味的に異なる隣人に向かって表現が漂う意味的曖昧化につながる。 このギャップを埋めるため,IMVCのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレ球内で動作するHERLは、表現学習を強化するために構造を意識した潜在空間を構築する。 具体的には、方向アライメントによる意味的アイデンティティを保持する角ベースの損失と、階層的コンパクト性を強制する距離ベースの損失を最適化する双対制約双曲双曲的コントラスト機構を設計する。 さらに、双曲型プロトタイプヘッドを導入し、クロスビュー階層型プロトタイプ分布を整列させることにより、グローバルな構造的ドリフトを是正する。 その結果、HERLは細粒度のセマンティックな相関関係を解き、クラスタ境界を鋭くし、幾何的制約を課してデータ回復プロセスの修正を行う。 大規模な実験結果から、HERLは最先端のアプローチよりも一貫して優れていることが示された。

関連論文リスト

• HyperbolicRAG: Enhancing Retrieval-Augmented Generation with Hyperbolic Representations [11.678218711095269]
  グラフベースのRAGは、大きな言語モデルが外部知識にアクセスできるようにする。 本稿では,ハイパーボリック幾何をグラフベースRAGに統合する検索フレームワークであるHyperbolicRAGを提案する。
  論文  参考訳（メタデータ） (2025-11-24T06:27:58Z)
• Machine Unlearning in Hyperbolic vs. Euclidean Multimodal Contrastive Learning: Adapting Alignment Calibration to MERU [50.9588132578029]
  本稿では,双曲型コントラスト学習における機械学習について検討する。 我々は、画像とテキストを双曲空間に埋め込んだモデルであるMERUにアライメントを適用し、セマンティック階層をよりよくキャプチャする。 提案手法では,双曲空間の特異性を利用したエンテーメントキャリブレーションやノルム正規化など,双曲特異成分を導入している。
  論文  参考訳（メタデータ） (2025-03-19T12:47:37Z)
• 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)
• From Semantics to Hierarchy: A Hybrid Euclidean-Tangent-Hyperbolic Space Model for Temporal Knowledge Graph Reasoning [1.1372536310854844]
  時間的知識グラフ(TKG)推論は、過去のデータに基づいて将来の出来事を予測する。 既存のユークリッドモデルはセマンティクスを捉えるのに優れているが、階層構造に苦しむ。 ユークリッドモデルと双曲モデルの両方の強みを利用する新しいハイブリッド幾何空間アプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-30T10:33:08Z)
• 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)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Exploring Non-Contrastive Representation Learning for Deep Clustering [23.546602131801205]
  ディープクラスタリングのための非コントラスト表現学習は、負の例のない代表的手法であるBYOLに基づいている。 NCCは、すべてのクラスタが十分に分離され、クラスタ内の例がコンパクトな埋め込み空間を形成する。 ImageNet-1Kを含むいくつかのクラスタリングベンチマークデータセットの実験結果は、NCCが最先端の手法よりかなり優れていることを示している。
  論文  参考訳（メタデータ） (2021-11-23T12:21:53Z)

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。