論文の概要: Learning Disentangled Representations for Generalized Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2605.15640v1
• Date: Fri, 15 May 2026 05:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.185903
• Title: Learning Disentangled Representations for Generalized Multi-view Clustering
• Title（参考訳）: 一般化多視点クラスタリングのためのアンタングル表現の学習
• Authors: Xin Zou, Ruimeng Liu, Chang Tang, Zhenglai Li, Xinwang Liu, Kunlun He, Wanqing Li,
• Abstract要約: Generalized Multi-view Auto-Encoder (GMAE) は、クロスビューの相補性を維持するために設計されたフレームワークである。 GMAEは、ソース機能をビュー特化およびビュー共通埋め込みに分離するためにデュアルパスオートエンコーダを使用している。 GMAEは、完全なMVCタスクと不完全なMVCタスクの両方において、最先端のメソッドを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 45.63857606845579
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-View Clustering (MVC) has gained significant attention for its ability to leverage complementary information across diverse views. However, existing deep MVC methods often struggle with view-distribution entanglement during cross-view fusion, which hampers the quality of the shared latent space and leads to suboptimal Figures. To address this issue, we propose the Generalized Multi-view Auto-Encoder (GMAE), a framework designed to preserve cross-view complementarity through disentangled representation learning. Specifically, GMAE employs dual-path autoencoders to decouple source features into view-specific and view-common embeddings, facilitating the discovery of clearer clustering structures. We further construct cross-view adversarial discriminators to guide view-specific encoders in capturing more discriminative features. By strategically modulating mutual information, GMAE effectively aligns distributions and prevents representation collapse, ensuring the generation of robust, non-trivial embeddings. Comprehensive experiments on 13 benchmark datasets demonstrate that GMAE consistently outperforms state-of-the-art methods in both complete and incomplete MVC tasks. Our code implementation is available at the repository: https://github.com/obananas/GMAE.
• Abstract（参考訳）: マルチビュークラスタリング(MVC)は、様々なビューにまたがる補完的な情報を活用する能力において、大きな注目を集めている。 しかし、既存のディープMVCメソッドは、クロスビューフュージョン中にビュー分散の絡み合いに悩まされることが多い。 この課題に対処するために,非交叉表現学習による相互補完性を維持するために設計されたGMAE(Generalized Multi-view Auto-Encoder)を提案する。 具体的には、GMAEはデュアルパスオートエンコーダを使用して、ソース機能をビュー固有およびビュー共通の埋め込みに分離し、より明確なクラスタリング構造の発見を容易にする。 さらに、より差別的な特徴を捉えるために、ビュー固有のエンコーダをガイドするために、クロスビューの敵判別器を構築します。 相互情報を戦略的に調整することにより、GMAEは分散を効果的に調整し、表現の崩壊を防ぎ、堅牢で非自明な埋め込みを生成する。 13のベンチマークデータセットに関する総合的な実験によると、GMAEは、完全なMVCタスクと不完全なMVCタスクの両方において、最先端のメソッドを一貫して上回っている。 私たちのコード実装は、リポジトリで利用可能です。

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)
• 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)
• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)
• A Clustering-guided Contrastive Fusion for Multi-view Representation Learning [7.630965478083513]
  本稿では、ビュー固有表現をビュー共通表現に融合する深層融合ネットワークを提案する。 また、ビュー共通表現とビュー固有表現を一致させる非対称なコントラスト戦略を設計する。 不完全な視点では,提案手法は競合相手よりもノイズ干渉に抵抗する。
  論文  参考訳（メタデータ） (2022-12-28T07:21:05Z)
• Generative Partial Multi-View Clustering [133.36721417531734]
  本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。 まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。 第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
  論文  参考訳（メタデータ） (2020-03-29T17:48:27Z)

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。