論文の概要: Gromov-Wasserstein Methods for Multi-View Relational Embedding and Clustering

• arxiv url: http://arxiv.org/abs/2604.23912v1
• Date: Sun, 26 Apr 2026 23:23:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.677086
• Title: Gromov-Wasserstein Methods for Multi-View Relational Embedding and Clustering
• Title（参考訳）: マルチビューリレーショナル埋め込みとクラスタリングのためのGromov-Wasserstein法
• Authors: Rafael Pereira Eufrazio, Eduardo Fernandes Montesuma, Charles Casimiro Cavalcante,
• Abstract要約: 本稿では,Gromov-WassersteinをベースとしたBary-GWMDSを提案する。 また,クラスタリング指向の定式化であるMean-GWMDS-Cを導入する。 合成および実世界のデータセットの実験により、提案したフレームワークは安定で幾何学的に意味のある埋め込みをもたらすことが示された。
• 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: Learning low-dimensional representations from multi-view relational data is challenging when underlying geometries differ across views. We propose Bary-GWMDS, a Gromov-Wasserstein-based method that operates directly on distance matrices to learn a consensus embedding preserving shared relational structure. By leveraging intrinsic distances, the approach naturally handles nonlinear distortions across views. We also introduce Mean-GWMDS-C, a clustering-oriented formulation that averages distance matrices and learns reduced-support representations via a consensus Gromov-Wasserstein transport. Experiments on synthetic and real-world datasets show that the proposed framework yields stable and geometrically meaningful embeddings.
• Abstract（参考訳）: 多視点リレーショナルデータから低次元表現を学習することは、背景となるジオメトリがビューによって異なる場合、困難である。 本稿では,Gromov-Wassersteinをベースとした距離行列を直接操作し,共有関係構造を保存するためのコンセンサスを組み込むBary-GWMDSを提案する。 固有距離を利用することで、この手法はビューを横断する非線形歪みを自然に処理する。 また,クラスタリング指向の定式化であるMean-GWMDS-Cを導入する。 合成および実世界のデータセットの実験により、提案したフレームワークは安定で幾何学的に意味のある埋め込みをもたらすことが示された。

関連論文リスト

• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  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。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• Multimodal Structure Learning: Disentangling Shared and Specific Topology via Cross-Modal Graphical Lasso [12.238577096609761]
  解釈可能なマルチモーダル表現を学習するためのCross-Modal Graphical Lasso(CM-GLasso)を提案する。 新たなテキスト視覚化戦略と統合された視覚言語エンコーダを結合することにより、マルチモーダルな特徴を共有潜在空間に厳密に整列する。 CM-GLassoは、生成的分類と密接なセマンティックセグメンテーションタスクにおいて、新しい最先端技術を確立していることを示す。
  論文  参考訳（メタデータ） (2026-04-05T04:07:59Z)
• Structure-Preserving Multi-View Embedding Using Gromov-Wasserstein Optimal Transport [7.216399430290167]
  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。
  論文  参考訳（メタデータ） (2026-04-03T00:58:19Z)
• SMLNet: A SPD Manifold Learning Network for Infrared and Visible Image Fusion [60.18614468818683]
  マルチモーダル画像融合のための新しいSPD(対称正定値)多様体学習を提案する。 我々のフレームワークは現在の最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-16T03:09:49Z)
• 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)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• Learning Flat Latent Manifolds with VAEs [16.725880610265378]
  本稿では、ユークリッド計量がデータポイント間の類似性のプロキシとなる変分自動エンコーダのフレームワークの拡張を提案する。 我々は、変分オートエンコーダで一般的に使用されるコンパクトな以前のものを、最近発表されたより表現力のある階層型に置き換える。 提案手法は,ビデオ追跡ベンチマークを含む,さまざまなデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-12T09:54:52Z)

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。