論文の概要: DAS-PMVC: A Framework for Partial Multi-View Clustering via Dual Alignment and Structure Enhancement

• arxiv url: http://arxiv.org/abs/2607.27761v1
• Date: Thu, 30 Jul 2026 07:01:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.427446
• Title: DAS-PMVC: A Framework for Partial Multi-View Clustering via Dual Alignment and Structure Enhancement
• Title（参考訳）: DAS-PMVC:デュアルアライメントと構造拡張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
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.05750989297313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, multi-view clustering has attracted widespread research interest. However, due to limitations in data collection devices, data across different views often suffer from misalignment, leading to the partial view alignment problem (PVAP). To mitigate the impact of view asymmetry and irrelevant samples, this paper proposes a framework for partial multi-view clustering via dual alignment and structure enhancement (DAS-PMVC), which leverages view structure consistency and semantic relevance. Specifically, DAS-PMVC includes three parts: \textbf{anchor graph structure alignment}, where sample joint embedding representations with consistent latent space are derived from anchor point relationships for initial view alignment; \textbf{structure-enhanced feature learning}, where the model learns view structure information through pretraining and combines multi-view graph convolutional networks to further extract deep latent features from the aligned graph structure to improve the discriminative power of representations; and \textbf{a dual alignment strategy}, where initial alignment is performed through the anchor graph in the pretraining phase, and contrastive learning loss and the Hungarian algorithm are introduced in the training phase to further optimize the alignment of latent features. Experimental results on various datasets demonstrate that the DAS-PMVC framework outperforms existing state-of-the-art methods in clustering performance, showcasing its effectiveness and superiority.
• Abstract（参考訳）: 近年,マルチビュークラスタリングが研究の関心を集めている。 しかし、データ収集装置の制限により、異なるビューにまたがるデータはしばしば不整合に悩まされ、部分的なビューアライメント問題(PVAP)が発生する。 本稿では、ビュー非対称性と無関係なサンプルの影響を軽減するために、ビュー構造整合性とセマンティックな関連性を利用する、二重アライメントと構造拡張(DAS-PMVC)による部分的な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。 特に、DAS-PMVCは、3つの部分から構成される: \textbf{anchor graph structure alignment}、一貫した潜在空間を持つサンプルの結合埋め込み表現を初期ビューアライメントのためのアンカーポイント関係から導出する、 \textbf{structure-enhanced Feature Learning}、モデルが事前学習を通してビュー構造情報を学習し、多ビューグラフ畳み込みネットワークを組み合わせ、アライメントグラフ構造から深い潜伏特徴を抽出して表現の識別力を改善する、 \textbf{a dual alignment strategy}、事前学習フェーズにおいてアンカーグラフを介して初期アライメントを行う、およびコントラスト学習損失とハンガリーのアルゴリズムをトレーニングフェーズに導入し、遅延特徴のアライメントをさらに最適化する、である。 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おり,その有効性と優位性を示している。

関連論文リスト

• SPORT: Structure-Aware Prototype Disentanglement for Incomplete Multi-View Clustering [51.01038967474103]
  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。
  論文  参考訳（メタデータ） (2026-07-11T17:40:22Z)
• 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)
• Structure-guided Deep Multi-View Clustering [13.593229506936682]
  深いマルチビュークラスタリングは、クラスタリング性能を改善するために、複数のビューから豊富な情報を活用することを目指している。 既存のクラスタリング手法の多くは、多視点構造情報の完全なマイニングを無視することが多い。 構造誘導型深層多視点クラスタリングモデルを提案し,多視点データの分布を探索する。
  論文  参考訳（メタデータ） (2025-01-17T12:42:30Z)
• Balanced Multi-view Clustering [56.17836963920012]
  マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。 MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。 本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:42:47Z)
• Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
  部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。 既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。 非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T19:16:01Z)
• SLRL: Structured Latent Representation Learning for Multi-view Clustering [24.333292079699554]
  マルチビュークラスタリング(MVC)は、異なるビュー間の固有の一貫性と相補性を活用して、クラスタリングの結果を改善することを目的としている。 MVCでの広範な研究にもかかわらず、既存のほとんどのメソッドは、主にクラスタリングの有効性を高めるためにビューをまたいだ補完的な情報を活用することに重点を置いています。 本稿では,構造化潜在表現学習に基づくマルチビュークラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T09:43:57Z)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
  マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。 主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。 8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
  論文  参考訳（メタデータ） (2022-01-12T18:00:29Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• 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。