論文の概要: Robust Multi-view Clustering against Imperfect Information

• arxiv url: http://arxiv.org/abs/2606.04343v1
• Date: Wed, 03 Jun 2026 01:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.466478
• Title: Robust Multi-view Clustering against Imperfect Information
• Title（参考訳）: 不完全な情報に対するロバストなマルチビュークラスタリング
• Authors: Zhichao Huang, Haochen Zhou, Hao Wang, Mouxing Yang, Xi Peng,
• Abstract要約: PLCI(Posterior-guided Latent Counterpart Inference)は,不完全な情報問題に対処するための新しいフレームワークである。 PLCIは、各アンカーインスタンスの所望のクロスビューを潜在変数として定式化する。
• 参考スコア（独自算出の注目度）: 22.44765600975703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world multi-view data always suffer from imperfect information problem, where the view-specific observations are absent (i.e., Incomplete Views, IV) and cross-view correspondences are mismatched (i.e., Noisy Correspondences, NC) for certain instances. As a remedy, numerous IV- and NC-oriented multi-view clustering (MvC) methods have been proposed, which however require either reliable correspondences or sufficiently complete instances, thus stopping short of addressing the imperfect information problem. In contrast, we observe that both IV and NC challenges originate from the same issue of imperfect cross-view counterpart information, where the counterpart of an anchor instance in another view might be either unavailable or unreliable. Based on the observation, we propose a novel robust MvC framework, termed Posterior-guided Latent Counterpart Inference (PLCI), which could handle both IV and NC in a unified manner. Specifically, PLCI formulates the desired cross-view counterpart of each anchor instance as a latent variable, and integrates both instance-level reliability and prototype-level semantic transport to infer the posterior distribution of the latent counterpart. Extensive experiments on six widely-used multi-view datasets against 10 state-of-the-art MvC methods demonstrate the effectiveness of PLCI for tackling the imperfect information problem. The code will be released upon acceptance.
• Abstract（参考訳）: 実世界のマルチビューデータは、常に不完全な情報問題に悩まされ、ビュー固有の観測が欠落している場合(例えば、不完全ビュー、IV)と、クロスビュー対応が不一致(すなわち、ノイズ対応、NC)である。 対策として、信頼性の高い対応や十分な完全インスタンスを必要とする多くのIV-およびNC-oriented multi-view clustering (MvC)法が提案されているため、不完全な情報問題に対処することができない。 対照的に、IV と NC の課題は、他の視点におけるアンカーインスタンスの課題が利用できないか、信頼できないかのどちらかであるような、不完全なクロスビューの情報と同じ問題に由来する。 そこで本研究では,IV と NC の両方を統一的に扱うことのできる,新しい堅牢な MvC フレームワークである Posterior-guided Latent Counterpart Inference (PLCI) を提案する。 具体的には、PLCIは各アンカーインスタンスの望ましいクロスビューを潜在変数として定式化し、インスタンスレベルの信頼性とプロトタイプレベルのセマンティックトランスポートを統合して、潜在インスタンスの後方分布を推測する。 10の最先端MvC手法に対して広く利用されている6つのマルチビューデータセットに対する大規模な実験は、不完全な情報問題に対処するためのPLCIの有効性を実証している。 コードは受理時にリリースされます。

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)
• Evidential Deep Partial Multi-View Classification With Discount Fusion [24.139495744683128]
  Evidential Deep partial Multi-View Classification (EDP-MVC) と呼ばれる新しいフレームワークを提案する。 欠落したビューに対処するためにK-means命令を使用し、マルチビューデータの完全なセットを作成します。 この暗示されたデータ内の潜在的な衝突や不確実性は、下流の推論の信頼性に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-08-23T14:50:49Z)
• Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
  本稿では,新しいアンカーグラフ学習フレームワークを提案する。 ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。 提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
  論文  参考訳（メタデータ） (2023-08-31T08:30:26Z)
• Semantic Invariant Multi-view Clustering with Fully Incomplete Information [28.321343045226772]
  不完全な情報を持つマルチビュークラスタリングのためのセマンティック不変性学習(SMILE)という新しいフレームワークを提案する。 具体的には、異なるビューにまたがる不変なセマンティックな分布が存在することを発見し、SMILEはビュー間の不一致を緩和する。 我々の手法は、NoisyMNISTのクラスタリング精度を19.3%/23.2%から82.7%/69.0%に改善する。
  論文  参考訳（メタデータ） (2023-05-22T06:11:01Z)
• Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment [50.82982601256481]
  深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。 従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
  論文  参考訳（メタデータ） (2023-03-28T02:31:57Z)
• 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。