論文の概要: Beyond Looking Up, Try Looking Around: Harmonizing Global Structure and Local Consistency in Optimal Transport for Short Text Clustering

• arxiv url: http://arxiv.org/abs/2607.10548v1
• Date: Sun, 12 Jul 2026 03:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.463801
• Title: Beyond Looking Up, Try Looking Around: Harmonizing Global Structure and Local Consistency in Optimal Transport for Short Text Clustering
• Title（参考訳）: 振り返る, 周りを見回す: 短文クラスタリングのための最適輸送におけるグローバル構造と局所一貫性の調和
• Abstract要約: OT(Optimal Transport)に基づく擬似ラベリングは,短文クラスタリングの強化に有効なメカニズムとなっている。 本稿では,既存のOT手法における意味的一貫性の欠如を是正する,新しい短文クラスタリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.882618239543994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pseudo-labeling based on Optimal Transport (OT) has become an effective mechanism for enhancing short text clustering. Existing OT methods are short in modeling semantic consistencies between samples, which may assign different pseudo-labels to semantically similar samples. These erroneous pseudo-labels can cause the model to produce inferior clusters. This paper proposes a novel short text clustering framework, which remedies the neglect of semantic consistency in existing OT methods, generating reliable pseudo-labels to facilitate clustering. Specifically, the proposed approach first designs an instance-level attention mechanism to capture semantic relationships between samples, which are then integrated into the OT formulation to endow the transport process with neighborhood semantic awareness. By solving the proposed OT formulation, reliable pseudo-labels are obtained that simultaneously account for sample-to-sample semantic consistency and sample-to-cluster global structure information. These pseudo-labels are then used as supervisory signals to guide the model to achieve accurate clustering. Extensive experiments demonstrate that the proposed approach outperforms state-of-the-art methods. The code is available at: \href{https://github.com/YZH0905/CAOT-STC}{https://github.com/YZH0905/CAOT-STC}.
• Abstract（参考訳）: OT(Optimal Transport)に基づく擬似ラベリングは,短文クラスタリングの強化に有効なメカニズムとなっている。 既存のOTメソッドは、サンプル間のセマンティックコンパレンスをモデル化するのに短く、異なる擬似ラベルをセマンティックに類似したサンプルに割り当てることができる。 これらの誤った擬似ラベルは、モデルが下位のクラスタを生成する原因となる可能性がある。 本稿では,既存のOT手法における意味的一貫性の欠如を是正し,クラスタリングを容易にするための信頼性の高い擬似ラベルを生成する,新しい短文クラスタリングフレームワークを提案する。 具体的には、まず、サンプル間のセマンティックな関係を捕捉するインスタンスレベルの注意機構を設計し、それをOT定式化に統合して、周辺セマンティックな認識を伴う輸送プロセスを実現する。 提案したOT定式化を解くことにより,サンプル対サンプルのセマンティック一貫性とサンプル対クラスタのグローバル構造情報とを同時に考慮した疑似ラベルが得られた。 これらの擬似ラベルは、モデルの正確なクラスタリングを実現するための監視信号として使用される。 大規模な実験により、提案手法は最先端の手法よりも優れていることが示された。 コードは以下の通りである。 \href{https://github.com/YZH0905/CAOT-STC}{https://github.com/YZH0905/CAOT-STC}。

関連論文リスト

• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• Confidence HNC: A Network Flow Technique for Binary Classification with Noisy Labels [0.0]
  本稿では,クラスタ内のサンプル間の大きな類似性と,クラスタと補体間の大きな相違性という,2つの目的のバランスをとる分類法について考察する。 HNCまたはSNCと呼ばれるこの方法は、シードノードまたはラベル付きサンプルを必要とし、そのうちの少なくとも1つはクラスタにあり、少なくとも1つは補体である。 ここでの貢献は、信頼HNCと呼ばれるHNCに基づくノイズラベルの存在における新しい方法である。
  論文  参考訳（メタデータ） (2025-03-04T07:21:40Z)
• Reliable Pseudo-labeling via Optimal Transport with Attention for Short Text Clustering [6.182375768528008]
  本稿では,textbfOptimal textbfTransportを経由したReliable textbfPseudo-labelingという,新しいテキストクラスタリングフレームワークを提案する。 textbfPOTAはクラスタリングのための識別表現学習を支援するために、信頼できる擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2025-01-25T12:13:38Z)
• CVOCSemRPL: Class-Variance Optimized Clustering, Semantic Information Injection and Restricted Pseudo Labeling based Improved Semi-Supervised Few-Shot Learning [4.3149314441871205]
  半教師付き数発の学習環境では、かなりの量のラベルなしサンプルが利用可能である。 このようなラベルのないサンプルは一般に入手しやすく、モデルの数発の学習性能を向上させるために使用できる。 本稿では,クラスタリングを改善するためにモデルが学習した表現の改善に焦点をあて,その結果,モデル性能について述べる。
  論文  参考訳（メタデータ） (2025-01-24T11:14:35Z)
• Semantic Equitable Clustering: A Simple and Effective Strategy for Clustering Vision Tokens [57.37893387775829]
  我々はSemantic Equitable Clustering(SEC)という,高速かつバランスの取れたクラスタリング手法を導入する。 SECは、グローバルなセマンティックな関連性に基づいてトークンを効率的かつ直接的な方法でクラスタ化する。 視覚言語コネクタとして機能する汎用視覚バックボーンであるSECViTを提案する。
  論文  参考訳（メタデータ） (2024-05-22T04:49:00Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Implicit Sample Extension for Unsupervised Person Re-Identification [97.46045935897608]
  クラスタリングは、時に異なる真のアイデンティティを混ぜ合わせたり、同じアイデンティティを2つ以上のサブクラスタに分割する。 本稿では,クラスタ境界周辺のサポートサンプルを生成するために,Implicit Sample Extension (OurWholeMethod)法を提案する。 提案手法の有効性を実証し,教師なしのRe-IDに対して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-04-14T11:41:48Z)
• SPICE: Semantic Pseudo-labeling for Image Clustering [5.357314252311141]
  SPICEはSemantic Pseudo-labeling framework for Image ClustEringである。 自己学習を通じて擬似ラベルを生成し、擬似ラベルベースの分類損失を使用してディープクラスタリングネットワークを訓練する。 本手法は,調整ランドインデックス,正規化相互情報,クラスタリング精度において,現在の最良値を約10%向上させる。
  論文  参考訳（メタデータ） (2021-03-17T00:52:27Z)
• ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
  2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。 FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。 reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
  論文  参考訳（メタデータ） (2020-12-27T02:38:45Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)

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。