論文の概要: Straight-Path Flow Matching for Incomplete Multi-View Clustering
- arxiv url: http://arxiv.org/abs/2607.06281v1
- Date: Tue, 07 Jul 2026 13:47:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.539089
- Title: Straight-Path Flow Matching for Incomplete Multi-View Clustering
- Title（参考訳）: 不完全なマルチビュークラスタリングのためのストレートパスフローマッチング
- Abstract要約: 不完全なマルチビュークラスタリングは、特定のビューが欠けている場合に、マルチモーダルデータをクラスタリングする問題に対処する。
近年の手法では拡散モデルを用いてノイズ・ツー・データ・トラジェクトリによって行方不明のビューを復元している。
我々は、フローマッチングビュー補完とクラスタレベルおよびエントロピーベースのアライメントを統合したエンドツーエンドIMVCアーキテクチャを開発する。
- 参考スコア（独自算出の注目度）: 7.71004905661976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Incomplete Multi-View Clustering addresses the problem of clustering multi-modal data when certain views are missing. Recent end-to-end generative approaches leverage diffusion models to recover missing views via stochastic noise-to-data trajectories. While expressive, such mechanisms are not explicitly designed for clustering, as they initialize from cluster-agnostic noise and rely on stochastic denoising dynamics. In this work, we revisit probability path design in end-to-end generative IMVC. We introduce a flow-matching framework with a linear interpolation path between paired view representations, that replaces diffusion with probability flows between observed and missing views. We provide a formal analysis showing that deterministic ODE flows are inherently better aligned with clustering objectives than diffusion-based stochastic trajectories, especially in terms of transport mechanisms that respect class-conditional data distributions and maintain cluster consistency in finite-step regimes. Building upon this insight, we develop an end-to-end IMVC architecture that integrates straight-path flow-matching view completion with cluster-level and entropy-based alignment to enforce cross-view clustering consistency. Extensive experiments on standard IMVC benchmarks demonstrate that the proposed framework establishes new state-of-the-art performance.
- Abstract（参考訳）: 不完全なマルチビュークラスタリングは、特定のビューが欠けている場合に、マルチモーダルデータをクラスタリングする問題に対処する。
近年のエンドツーエンド生成手法は拡散モデルを利用して確率的ノイズ・データ・トラジェクトリを通して行方不明のビューを復元する。
表現的ではあるが、そのようなメカニズムはクラスタリングのために明示的には設計されていない。
本研究では,エンド・ツー・エンドのIMVCにおける確率経路設計について再検討する。
本稿では,ペアビュー表現間の線形補間経路を持つフローマッチングフレームワークを提案する。
特に, クラス条件データ分布を尊重し, クラスタの整合性を維持する輸送機構において, 拡散に基づく確率軌道よりも, 決定論的ODEフローが本質的にクラスタリング目標に整合していることを示す公式な解析を行った。
この知見に基づいて、ストレートパスフローマッチングビュー補完とクラスタレベルおよびエントロピーベースのアライメントを統合して、クロスビュークラスタリングの一貫性を実現する、エンドツーエンドのIMVCアーキテクチャを開発する。
標準IMVCベンチマークの大規模な実験により、提案フレームワークが新しい最先端性能を確立することが実証された。
関連論文リスト
- Beyond Independence: Learning Correlated Views for Variational Incomplete Multi-View Clustering [15.204251218204542]
不完全なマルチビュークラスタリング(IMVC)は、部分的に観察されたビューを持つデータから共有クラスタ構造を明らかにすることを目的としている。
本稿では、学習可能なクロスビュー相関構造を導入することにより、この仮定を明示的に超越した変分フレームワークを提案する。
提案手法は多種多様なビュー設定における最先端のアプローチを一貫して上回る。
論文 参考訳（メタデータ） (2026-08-16T14:16:24Z) - Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。
クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
論文 参考訳（メタデータ） (2026-04-07T13:18:31Z) - Deep Incomplete Multi-View Clustering via Hierarchical Imputation and Alignment [15.396375506151102]
本稿では,階層的な命令処理と4つのキーコンポーネントのアライメントを統合する,新しいディープIMVCフレームワークを提案する。
ベンチマーク実験により、我々のフレームワークは、様々なレベルの欠落下で優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2026-01-14T00:46:00Z) - Incomplete Multi-view Clustering via Hierarchical Semantic Alignment and Cooperative Completion [13.39263294343983]
本稿では,階層的セマンティックアライメントと協調補完(HSACC)に基づく,新しい不完全なマルチビュークラスタリングフレームワークを提案する。
HSACCはデュアルレベルのセマンティック空間設計により、堅牢なクロスビュー融合を実現する。
実験の結果、HSACCは5つのベンチマークデータセットで最先端の手法を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2025-10-14T02:58:10Z) - 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) - Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning [65.75756724642932]
不完全なマルチビュークラスタリングでは、欠落したデータがビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。
コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。
FreeCSLは、最先端の競合他社と比較して、IMVCタスクの信頼性と堅牢な割り当てを実現している。
論文 参考訳（メタデータ） (2025-05-16T12:37:10Z) - Incomplete Multi-view Clustering via Diffusion Contrastive Generation [10.303281347345955]
拡散コントラスト生成 (Diffusion Contrastive Generation, DCG) と呼ばれる新しいIMVC法を提案する。
DCGは分布特性を学習し、フォワード拡散および逆復調処理をビュー内データに適用することによりクラスタリングを強化する。
インスタンスレベルとカテゴリレベルの対話型学習を統合し、マルチビューデータで利用可能な一貫性のある補完的な情報を活用する。
論文 参考訳（メタデータ） (2025-03-12T09:27:25Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳（メタデータ） (2023-03-29T14:54:19Z) - 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 Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。
本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付き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。
論文 参考訳（メタデータ） (2021-06-11T13:38:09Z) - ClusterVO: Clustering Moving Instances and Estimating Visual Odometry
for Self and Surroundings [54.33327082243022]
ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。
以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
論文 参考訳（メタデータ） (2020-03-29T09:06:28Z)
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。