論文の概要: Clusterability-Based Assessment of Potentially Noisy Views for Multi-View Clustering

• arxiv url: http://arxiv.org/abs/2604.18024v1
• Date: Mon, 20 Apr 2026 09:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.7943
• Title: Clusterability-Based Assessment of Potentially Noisy Views for Multi-View Clustering
• Title（参考訳）: クラスタビリティに基づくマルチビュークラスタリングのための潜在的ノイズビューの評価
• Authors: Mudi Jiang, Jiahui Zhou, Xinying Liu, Zengyou He, Zhikui Chen,
• Abstract要約: クラスタビリティの観点から,マルチビューデータにおける事前クラスタリングノイズビュー解析の問題点について検討する。 マルチビューデータにおける潜在クラスタ関連構造の強度を定量化する多視点クラスタビリティスコア(MVCS)を提案する。 さらに、クラスタ化の前に、潜在的にノイズの多いビュー分析とノイズの多いビュー検出を行うために使用します。
• 参考スコア（独自算出の注目度）: 14.310871812932193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multi-view clustering, the quality of different views may vary substantially, and low-quality or degraded views can impair overall clustering performance. However, existing studies mainly address this issue within the clustering process through view weighting or noise-robust optimization, while paying limited attention to data-level assessment before clustering. In this paper, we study the problem of pre-clustering noisy-view analysis in multi-view data from a clusterability perspective. To this end, we propose a Multi-View Clusterability Score (MVCS), which quantifies the strength of latent cluster-related structures in multi-view data through three complementary components: per-view structural clusterability, joint-space clusterability, and cross-view neighborhood consistency. To the best of our knowledge, this is the first clusterability score specifically designed for multi-view data. We further use it to perform potentially noisy view analysis and noisy-view detection before clustering. Extensive experiments on real-world datasets demonstrate that noisy views can significantly degrade clustering performance, and that, compared with existing clusterability measures designed for single-view data, the proposed method more effectively supports noisy-view analysis and detection.
• Abstract（参考訳）: マルチビュークラスタリングでは、異なるビューの品質が大きく異なり、低品質または劣化したビューはクラスタリング全体のパフォーマンスを損なう可能性がある。 しかし、既存の研究は主に、クラスタリング前のデータレベルの評価に限定した注意を払って、ビュー重み付けやノイズ・ロバスト最適化を通じてクラスタリングプロセス内でこの問題に対処している。 本稿では,クラスタビリティの観点からのマルチビューデータにおける事前クラスタリングノイズ-ビュー解析の問題について検討する。 この目的のために,多視点クラスタビリティスコア(Multi-View Clusterability Score, MVCS)を提案する。 私たちの知る限りでは、これはマルチビューデータ用に特別に設計された最初のクラスタビリティスコアです。 さらに、クラスタ化の前に、潜在的にノイズの多いビュー分析とノイズの多いビュー検出を行うために使用します。 実世界のデータセットに対する大規模な実験により、ノイズビューはクラスタリング性能を著しく低下させることができることが示され、また、単一ビューデータ用に設計された既存のクラスタビリティ対策と比較して、提案手法はノイズビュー解析と検出をより効果的にサポートする。

関連論文リスト

• Generalized Deep Multi-view Clustering via Causal Learning with Partially Aligned Cross-view Correspondence [72.41989962665285]
  マルチビュークラスタリング(MVC)は、複数のビューにまたがる共通のクラスタリング構造を検討することを目的としている。 しかし、現実のシナリオは、部分的なデータだけが異なるビューに一貫して整合しているため、しばしば課題となる。 我々は,CauMVCと呼ばれる因果的マルチビュークラスタリングネットワークを設計し,この問題に対処する。
  論文  参考訳（メタデータ） (2025-09-19T14:31:40Z)
• Structure-guided Deep Multi-View Clustering [13.593229506936682]
  深いマルチビュークラスタリングは、クラスタリング性能を改善するために、複数のビューから豊富な情報を活用することを目指している。 既存のクラスタリング手法の多くは、多視点構造情報の完全なマイニングを無視することが多い。 構造誘導型深層多視点クラスタリングモデルを提案し,多視点データの分布を探索する。
  論文  参考訳（メタデータ） (2025-01-17T12:42:30Z)
• Balanced Multi-view Clustering [56.17836963920012]
  マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。 MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。 本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:42:47Z)
• A Novel Approach for Effective Multi-View Clustering with Information-Theoretic Perspective [24.630259061774836]
  本研究では,多視点クラスタリングフレームワークを情報理論の観点から検討する,SUMVC(Sufficient Multi-View Clustering)と呼ばれる新しい手法を提案する。 まず,変分解析を用いて一貫した情報を生成する,シンプルで信頼性の高いマルチビュークラスタリング手法SCMVCを開発する。 次に、一貫した情報を強化し、ビュー間の不要な情報を最小限に抑えるのに十分な表現境界を提案する。
  論文  参考訳（メタデータ） (2023-09-25T09:41:11Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)
• Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
  本稿では,最適コンセンサスを近似する凝集分析法を提案する。 本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
  論文  参考訳（メタデータ） (2020-05-12T05:39:10Z)

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。