論文の概要: Dual-Learning based Penalized Multi-Align Clustering for Multi-View Incomplete and Disorderly Data
- arxiv url: http://arxiv.org/abs/2606.27984v1
- Date: Fri, 26 Jun 2026 11:32:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.476637
- Title: Dual-Learning based Penalized Multi-Align Clustering for Multi-View Incomplete and Disorderly Data
- Title（参考訳）: 双対学習に基づく多視点不完全・不規則データのためのペナル化多元クラスタリング
- Abstract要約: マルチモーダル特徴融合は、異なるモーダルから補完情報を統合することで、実世界の複雑なパターンを効果的に捉えることができる。
ボイラー燃焼モニタリング、機器故障、センササンプリング周波数の不整合、ネットワーク遅延などの多くの応用では、モダリティの欠如や時間的同期が生じることが多い。
従来の研究では、融合前にクラスター中心を整列させるいくつかのデータ融合法が提案されている。
- 参考スコア（独自算出の注目度）: 10.565584956179082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal feature fusion can effectively capture complex patterns in real-world data by integrating complementary information from different modalities. However, in many applications, such as boiler combustion monitoring, equipment failure, inconsistent sensor sampling frequencies, and network delays often cause missing modalities and temporal asynchrony. These issues lead to incomplete and disorderly multimodal data. To address them, previous studies have proposed several data fusion methods that align cluster centers before fusion. However, these methods have two key limitations. First, they cannot guarantee accurate sample-level alignment of data pairs. Second, they do not address significant discrepancies in data sizes across different classes, which may affect subsequent fusion performance. To address these problems, we propose a dual-learning based penalized multi-align clustering model, named DLPMAC. The dual-learning mechanism enables the model to learn prior knowledge from each modality, including semantic and structural information. This helps preserve semantic consistency and structural similarity across modalities at both local and global levels. In addition, the penalized multi-align module performs multi-to-multi data alignment through a penalty mechanism. It allows one sample to form data pairs with different samples from other modalities, thereby improving data-pair alignment accuracy. The penalty mechanism also prevents data aggregation, avoiding the case where excessive samples are linked to a single sample. Experimental results demonstrate the effectiveness of DLPMAC in addressing data alignment and fusion challenges from both sampling and clustering perspectives.
- Abstract（参考訳）: マルチモーダル特徴融合は、異なるモーダルから補完情報を統合することで、実世界の複雑なパターンを効果的に捉えることができる。
しかし、ボイラー燃焼モニタリング、機器故障、センササンプリング周波数の不整合、ネットワーク遅延などの多くの応用では、モダリティや時間的同期が欠落することが多い。
これらの問題は不完全で無秩序なマルチモーダルデータに繋がる。
これを解決するために、以前の研究では、融合前にクラスタセンターを整列させるデータ融合法がいくつか提案されている。
しかし、これらの手法には2つの重要な制限がある。
まず、データペアの正確なサンプルレベルのアライメントを保証することはできない。
第二に、異なるクラスにまたがるデータサイズの大きな相違には対処せず、その後の融合性能に影響を及ぼす可能性がある。
これらの問題に対処するために,DLPMAC という,双対学習に基づく並列クラスタリングモデルを提案する。
二重学習機構により、モデルは意味情報や構造情報を含む各モダリティから事前の知識を学習することができる。
これは、局所レベルとグローバルレベルの両方において、意味的一貫性とモダリティ間の構造的類似性を維持するのに役立つ。
さらに、ペナルティ機構を介して、ペナルティ化されたマルチアラインモジュールがマルチツーマルチデータアライメントを行う。
1つのサンプルが他のモダリティと異なるサンプルでデータペアを作ることができ、それによってデータペアのアライメント精度が向上する。
ペナルティメカニズムはデータアグリゲーションを防止し、過剰なサンプルが単一のサンプルにリンクされている場合を避ける。
DLPMACがサンプリングとクラスタリングの両方の観点からデータアライメントと融合の課題に対処できることを示す実験結果が得られた。
関連論文リスト
- Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
タブラル異常検出(TAD)は多くの実世界の応用において重要である。
複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。
14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
論文 参考訳（メタデータ） (2026-03-15T14:42:05Z) - Consistency-Aware Padding for Incomplete Multi-Modal Alignment Clustering Based on Self-Repellent Greedy Anchor Search [8.500604038628648]
マルチモーダル表現は、実世界のデータサンプルの特徴を記述するのに忠実であり、非常に効果的である。
既存の研究は、マルチビューデータが不均衡かつ不整合であるシナリオにおいて、欠落したデータを埋めることの問題を効果的に解決していない。
自己反発型グリーディアンカーサーチに基づく不完全なマルチモーダルアライメントクラスタリングのための一貫性パディングを提案する。
論文 参考訳（メタデータ） (2025-07-05T06:43:35Z) - Continuous Wavelet Transform and Siamese Network-Based Anomaly Detection in Multi-variate Semiconductor Process Time Series [0.11184789007828977]
半導体製造における異常予測には いくつか重要な課題があります
本稿では,機械学習を用いたMTSデータにおける異常検出のための新しい汎用的アプローチを提案する。
提案手法は,実FABプロセスの時系列データセット上で異常を識別する際の精度が高いことを示す。
論文 参考訳（メタデータ） (2025-07-01T11:10:19Z) - M$^2$AD: Multi-Sensor Multi-System Anomaly Detection through Global Scoring and Calibrated Thresholding [7.098854184592838]
複数のシステムからの時系列データにおける教師なし異常検出のためのフレームワークであるM$2$ADを導入する。
M$2$ADは、通常の条件下での予測された振る舞いを捉えるために、潜在的な異常の指標として残余を用いる。
実証的に、M$2$ADは既存の手法を平均で21%上回っている。
論文 参考訳（メタデータ） (2025-04-21T16:57:46Z) - Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
実世界のマルチビューデータセットは、しばしば不均一で不完全である。
本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。
我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
論文 参考訳（メタデータ） (2025-03-06T07:01:08Z) - FedMAC: Tackling Partial-Modality Missing in Federated Learning with Cross-Modal Aggregation and Contrastive Regularization [18.276480518649404]
Federated Learning(FL)は、分散データソースを使用して機械学習モデルをトレーニングする手法である。
本研究ではFedMACという新しいフレームワークを提案し,FLに欠落した部分モダリティ条件下でのマルチモダリティの解消を図った。
論文 参考訳（メタデータ） (2024-10-04T01:24:02Z) - A Framework for Fine-Tuning LLMs using Heterogeneous Feedback [69.51729152929413]
ヘテロジニアスフィードバックを用いた大規模言語モデル(LLM)の微調整フレームワークを提案する。
まず、不均一なフィードバックデータをSFTやRLHFなどの手法と互換性のある単一の監視形式にまとめる。
次に、この統合されたフィードバックデータセットから、性能向上を得るために高品質で多様なサブセットを抽出する。
論文 参考訳（メタデータ） (2024-08-05T23:20:32Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - 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) - Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-05-09T05:06:58Z)
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。