論文の概要: Reducing Bias and Variance: Generative Semantic Guidance and Bi-Layer Ensemble for Image Clustering

• arxiv url: http://arxiv.org/abs/2605.12961v1
• Date: Wed, 13 May 2026 03:52:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.794883
• Title: Reducing Bias and Variance: Generative Semantic Guidance and Bi-Layer Ensemble for Image Clustering
• Title（参考訳）: バイアスと変数の低減:画像クラスタリングのための生成的セマンティックガイダンスと2層アンサンブル
• Authors: Feijiang Li, Zhenxiong Li, Jieting Wang, Zizheng Jiu, Saixiong Liu, Liang Du,
• Abstract要約: GSECは、ジェネレーティブなセマンティックガイダンスとアンサンブルラーニングによってバイアスを減らすように設計されたフレームワークである。 提案手法では,マルチモーダル大言語モデルを用いて意味記述を生成し,画像埋め込みを導出する。 比較実験により、GSECは6つのベンチマークデータセットで18の最先端メソッドを上回っていることが示された。
• 参考スコア（独自算出の注目度）: 11.868111045998335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image clustering aims to partition unlabeled image datasets into distinct groups. A core aspect of this task is constructing and leveraging prior knowledge to guide the clustering process. Recent approaches introduce semantic descriptions as prior information, most of which typically relying on matching-based techniques with predefined vocabularies. However, the limited matching space restricts their adaptability to downstream clustering tasks. Moreover, these methods primarily focus on reducing bias to improve performance, frequently overlooking the importance of variance reduction. To address these limitations, we propose GSEC (Image Clustering based on Generative Semantic Guidance and Bi-Layer Ensemble), a framework designed to reduce bias through generative semantic guidance and mitigate variance via ensemble learning. Our method employs Multimodal Large Language Models to generate semantic descriptions and derive image embeddings via weighted averaging. Additionally, a bi-layer ensemble strategy integrates cross-modal information through BatchEnsemble in the inner layer and aligns outputs via an alignment mechanism in the outer layer. Comparative experiments demonstrate that GSEC outperforms 18 state-of-the-art methods across six benchmark datasets, while further analysis confirms its effectiveness in simultaneously reducing both bias and variance. The code is available at https://github.com/2017LI/GSEC.git.
• Abstract（参考訳）: イメージクラスタリングは、ラベルのないイメージデータセットを別々のグループに分割することを目的としている。 このタスクの中核的な側面は、クラスタリングプロセスを導くための事前知識の構築と活用である。 近年のアプローチでは、セマンティックな記述を事前情報として導入しており、その多くは、事前に定義された語彙を持つマッチングベースの技術に依存している。 しかし、制限されたマッチング空間は、下流のクラスタリングタスクへの適応性を制限する。 さらに、これらの手法は主にバイアスの低減と性能の向上に重点を置いており、しばしばばらつきの低減の重要性を見落としている。 これらの制約に対処するため,GSEC(Generative Semantic Guidance and Bi-Layer Ensemble)を提案する。 本手法では,重み付き平均化による意味記述の生成と画像埋め込みの導出にマルチモーダル大言語モデルを用いる。 さらに、二重層アンサンブル戦略は、内部層内のBatchEnsembleを介してクロスモーダル情報を統合し、外部層内のアライメント機構を介して出力をアライメントする。 比較実験により、GSECは6つのベンチマークデータセットで18の最先端メソッドを上回り、さらに分析によりバイアスと分散の両方を同時に低減する効果が確認された。 コードはhttps://github.com/2017LI/GSEC.gitで公開されている。

関連論文リスト

• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• Contrastive Mean-Shift Learning for Generalized Category Discovery [45.19923199324919]
  一般化圏発見(GCD)の問題に対処する。 我々は平均シフトアルゴリズム、すなわちモード探索のための強力な手法を再検討し、これを対照的な学習フレームワークに組み込む。 提案手法はContrastive Mean-Shift(CMS)学習と呼ばれ,より優れたクラスタリング特性を持つ表現を生成するためにイメージエンコーダを訓練する。
  論文  参考訳（メタデータ） (2024-04-15T04:31:24Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• DeepCut: Unsupervised Segmentation using Graph Neural Networks Clustering [6.447863458841379]
  本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。 既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。 画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
  論文  参考訳（メタデータ） (2022-12-12T12:31:46Z)
• Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
  本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。 提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-24T15:36:49Z)
• Weakly supervised segmentation with cross-modality equivariant constraints [7.757293476741071]
  弱い教師付き学習は、セマンティックセグメンテーションにおける大きなラベル付きデータセットの必要性を軽減するための魅力的な代替手段として登場した。 本稿では,マルチモーダル画像シナリオにおける自己スーパービジョンを活用した新しい学習戦略を提案する。 私たちのアプローチは、同じ学習条件下で関連する最近の文学を上回ります。
  論文  参考訳（メタデータ） (2021-04-06T13:14:20Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• GATCluster: Self-Supervised Gaussian-Attention Network for Image Clustering [9.722607434532883]
  画像クラスタリングのための自己教師型クラスタリングネットワーク(GATCluster)を提案する。 まず中間機能を抽出し、次に従来のクラスタリングを実行する代わりに、GATClusterセマンティッククラスタラベルを後処理なしで実行します。 大規模画像のクラスタリングにメモリ効率のよい2段階学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-02-27T00:57:18Z)

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。