論文の概要: SPORT: Structure-Aware Prototype Disentanglement for Incomplete Multi-View Clustering

• arxiv url: http://arxiv.org/abs/2607.10413v1
• Date: Sat, 11 Jul 2026 17:40:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.426176
• Title: SPORT: Structure-Aware Prototype Disentanglement for Incomplete Multi-View Clustering
• Title（参考訳）: SPORT:不完全なマルチビュークラスタリングのための構造認識型プロトタイプディスタングル
• Abstract要約: プロトタイプベースの不完全なマルチビュークラスタリングは、不足ビュー計算のためのセマンティックアンカーとしてプロトタイプを活用することで注目を集めている。 構造対応PrOtotype disentanglement foR incomplete multi-view clusTering (Sport) と呼ばれる新しいフレームワークを提案する。 SPORTは、クラスタレベルのリレーショナル構造を保持しながら、プロトタイプの共有コンポーネントとビュー固有のコンポーネントを明示的に分離する。
• 参考スコア（独自算出の注目度）: 51.01038967474103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prototype-based Incomplete Multi-view Clustering has recently attracted increasing attention by exploiting prototypes as semantic anchors for missing-view imputation. However, existing approaches are still limited in three aspects. First, they typically focus on enforcing cross-view prototype consistency, while ignoring view-specific information embedded in prototypes, thus limiting multi-view expressiveness. Second, most methods rely on instance-level contrastive learning that only aligns paired samples across views, failing to preserve cluster-level relational structures. Third, missing-view imputation is usually performed using global prototypes alone, without considering local geometric neighborhood structures, leading to inaccurate recovery of missing representations. To address these limitations, we propose a novel framework termed Structure-aware PrOtotype disentanglement foR incomplete multi-view clusTering (SPORT), which explicitly disentangles shared and view-specific components of prototypes while preserving cluster-level relational structures. Specifically, we decouple prototypes into orthogonal shared and view-specific components, aligning only shared components to capture consensus semantics while de-correlating view-specific components to preserve complementary information. Meanwhile, a structure-aware contrastive learning mechanism is incorporated to explicitly model cluster-level relationships during cross-view representation learning. Furthermore, a hybrid imputation strategy integrates global prototype matching with local neighborhood matching, enabling joint exploitation of semantic prototypes and manifold structures for missing-view recovery. Extensive experiments on six benchmark datasets show that SPORT achieves superior performance over state-of-the-art methods under various missing rates.
• Abstract（参考訳）: プロトタイプベースの不完全なマルチビュークラスタリングは、最近、不足ビュー計算のためのセマンティックアンカーとしてプロトタイプを活用することで注目を集めている。 しかし、既存のアプローチは3つの面で制限されている。 まず、クロスビューのプロトタイプの一貫性の強化に重点を置いているが、プロトタイプに埋め込まれたビュー固有の情報は無視しているため、マルチビューの表現性が制限されている。 第二に、ほとんどのメソッドは、ビューをまたいだペア化されたサンプルのみを整列するインスタンスレベルのコントラスト学習に依存しており、クラスタレベルのリレーショナル構造を保存できない。 第三に、欠落ビューの計算は通常、局所的な幾何学的近傍構造を考慮せずに、グローバルプロトタイプのみを用いて行われ、欠落表現の不正確な回復につながる。 このような制約に対処するため,我々は,クラスタレベルの関係構造を保ちながら,プロトタイプの共有およびビュー固有のコンポーネントを明示的に切り離す,構造対応PrOtotype disentanglement foR incomplete multi-view clusTering (SPORT) という新しいフレームワークを提案する。 具体的には、プロトタイプを直交的な共有コンポーネントとビュー固有コンポーネントに分離し、共有コンポーネントのみをアライメントしてコンセンサスセマンティクスをキャプチャし、ビュー固有コンポーネントをデコレーションして補完情報を保存します。 一方、クロスビュー表現学習中にクラスタレベルの関係を明示的にモデル化するために、構造対応のコントラスト学習機構が組み込まれている。 さらに,グローバルなプロトタイプマッチングと局所的近傍マッチングを統合したハイブリッド型計算手法により,セマンティックプロトタイプと多様体構造の併用によるビューの回復が可能となる。 6つのベンチマークデータセットの大規模な実験により、SPORTは様々な欠落率で最先端の手法よりも優れた性能を達成している。

関連論文リスト

• DAS-PMVC: A Framework for Partial Multi-View Clustering via Dual Alignment and Structure Enhancement [13.05750989297313]
  本稿では、二重アライメントと構造拡張(DAS-PMVC)による部分的マルチビュークラスタリングのためのフレームワークを提案する。 DAS-PMVCには3つの部分がある: textbfanchor graph structure alignment, textbfstructure-enhanced feature learning, textbfa dual alignment strategy 各種データセットに対する実験結果から,DAS-PMVCフレームワークはクラスタリング性能において,既存の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-07-30T07:01:35Z)
• 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)
• Divide, Conquer and Unite: Hierarchical Style-Recalibrated Prototype Alignment for Federated Medical Image Segmentation [66.82598255715696]
  フェデレートラーニング(Federated Learning)は、複数の医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 現在のアプローチは主に、重要なマルチレベルキューを見下ろす最終層機能に重点を置いている。 我々は,ドメイン不変のコンテキスト型プロトタイプアライメントを介して特徴表現ギャップをブリッジするFedBCSを提案する。
  論文  参考訳（メタデータ） (2025-11-14T04:15:34Z)
• 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)
• Learning Clustering-based Prototypes for Compositional Zero-shot Learning [56.57299428499455]
  ClusProは、コンポジションゼロショット学習のための堅牢なクラスタリングベースのプロトタイプマイニングフレームワークである。 それは、多様化されたプロトタイプの集合を通じて、プリミティブの概念的境界を定義する。 ClusProは、学習可能なパラメータを追加することなく、非パラメトリックな方法でプロトタイプクラスタリングを効率的に実行する。
  論文  参考訳（メタデータ） (2025-02-10T14:20:01Z)
• 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)

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。