論文の概要: Multi-View Fair Clustering Guided by Cross-View Sensitive Information Discrepancy

• arxiv url: http://arxiv.org/abs/2609.25811v1
• Date: Tue, 22 Sep 2026 07:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.272391
• Title: Multi-View Fair Clustering Guided by Cross-View Sensitive Information Discrepancy
• Title（参考訳）: クロスビュー・インフォメーションによるマルチビュー・フェア・クラスタリング
• Abstract要約: マルチビュークラスタリングは、複数のビューから補完的な情報を活用することで、潜在クラスタ構造を明らかにすることを目的としている。 最近の公正なマルチビュークラスタリング手法は、表現学習やクラスタリングの割り当てに公正性制約を導入している。 本稿では,クロスビュー・センシティブな情報の不一致によって導かれる,新しいマルチビュー・フェア・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）: 14.310871812932193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view clustering (MVC) aims to uncover latent cluster structures by exploiting complementary information from multiple views. Despite substantial progress in clustering performance, fairness remains an important concern when MVC is applied to socially sensitive scenarios. Recent fair multi-view clustering methods have introduced fairness constraints into representation learning or clustering assignments. However, these methods generally treat different views under a largely uniform fairness mechanism, without explicitly distinguishing their varying levels of sensitive dependence during cross-view learning. In practice, different views may encode substantially different levels of sensitive information. Ignoring such cross-view discrepancy can allow highly sensitive-dependent views to influence less sensitive-dependent ones during cross-view learning, potentially degrading both clustering performance and fairness. To address this issue, we propose a novel multi-view fair clustering framework guided by cross-view sensitive information discrepancy. Specifically, we estimate the sensitive dependence of each view and develop a bias-ranked asymmetric alignment mechanism that encourages views with higher sensitive dependence to learn from those with lower sensitive dependence, while cross-view discrepancies are further exploited to adaptively regulate the alignment process. Moreover, fairness regularization is imposed on the consensus soft assignments to further promote group fairness. Extensive experiments on benchmark datasets demonstrate that the proposed method achieves a favorable balance between clustering quality and group fairness.
• Abstract（参考訳）: マルチビュークラスタリング(MVC)は、複数のビューから補完的な情報を活用することで、潜在クラスタ構造を明らかにすることを目的としている。 クラスタリングのパフォーマンスが大幅に進歩したにもかかわらず、MVCが社会的に敏感なシナリオに適用される場合、公平性は依然として重要な関心事である。 最近の公正なマルチビュークラスタリング手法は、表現学習やクラスタリングの割り当てに公正性制約を導入している。 しかし、これらの手法は、概して一様公正なメカニズムの下で異なる視点を扱い、クロスビュー学習において、様々な感度依存度を明示的に区別しない。 実際には、異なるビューは、かなり異なるレベルの機密情報をエンコードする可能性がある。 このようなクロスビューの相違を無視することで、高いセンシティブな依存性のあるビューが、クロスビュー学習中にあまりセンシティブでないビューに影響を与えることができ、クラスタリングのパフォーマンスと公平性の両方を低下させる可能性がある。 この問題に対処するために,クロスビュー・センシティブな情報の不一致によってガイドされる,新しいマルチビュー・フェア・クラスタリング・フレームワークを提案する。 具体的には、各ビューの感度依存性を推定し、高感度依存のビューを低感度依存のビューから学習するよう促すバイアスランク非対称アライメント機構を開発し、また、クロスビューの差異をさらに活用してアライメントプロセスを適応的に調整する。 さらに、グループフェアネスをさらに促進するために、コンセンサスソフトの割り当てにフェアネス正則化が課される。 ベンチマークデータセットの大規模な実験により,提案手法はクラスタリングの品質とグループフェアネスのバランスが良好であることを示す。

関連論文リスト

• Fairness in multi-class multi-group classification problems via contextial coherent risk measures [0.42970700836450487]
  本稿では,ベクトル値の感度属性の存在下での多クラス分類問題に対する公平な分類器の設計を提案する。 本稿では,サポートベクタマシンフレームワークや公平性を扱う他の手法と比較して,提案フレームワークの利点を実証する。
  論文  参考訳（メタデータ） (2026-08-31T04:11:21Z)
• SMART: Semantic Matching Contrastive Learning for Partially View-Aligned Clustering [46.33455475152849]
  部分的にビュー整合クラスタリングは、不整合ビューサンプル間の対応を学習することを目的としている。 我々のアプローチは、横断的な分布シフトの影響を緩和し、コントラスト学習のセマンティックマッチングを容易にすることである。 提案手法はPVC問題における既存手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-12-17T12:48:41Z)
• 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)
• Adversarial Fair Multi-View Clustering [7.650076926241037]
  本稿では,フェアネス学習を表現学習プロセスに統合した,対向的公正なマルチビュークラスタリング(AFMVC)フレームワークを提案する。 本フレームワークは,既存のマルチビュークラスタリングやフェアネスを意識したクラスタリング手法と比較して,優れたクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2025-08-06T04:07:08Z)
• 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)
• Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance [69.58609684008964]
  本稿では,distriBution dUal-Consistency Recovery Guidanceを用いた不完全なマルチビュークラスタリング手法であるBURGを提案する。 我々は,各サンプルを別カテゴリとして扱い,欠落したビューの分布空間を予測するために,クロスビュー配信を行う。 信頼性の高いカテゴリ情報の欠如を補うために,隣り合った整合性によって案内されるビュー内アライメントと,プロトタイプ的な整合性によって案内されるクロスビューアライメントを含む二重整合性ガイド付きリカバリ戦略を設計する。
  論文  参考訳（メタデータ） (2025-03-14T02:27:45Z)
• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)
• Focalized Contrastive View-invariant Learning for Self-supervised Skeleton-based Action Recognition [16.412306012741354]
  本稿では,FoCoViL(Focalized Contrastive View-invariant Learning)という自己教師型フレームワークを提案する。 FoCoViLは、視点が粗い整列された表現空間上のビュー固有情報を著しく抑制する。 アクションと共通のビュー不変プロパティを関連付け、異種プロパティを同時に分離する。
  論文  参考訳（メタデータ） (2023-04-03T10:12:30Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)

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。