View-labels Are Indispensable: A Multifacet Complementarity Study of Multi-view Clustering

要約

一貫性と補完性は、マルチビュー クラスタリング (MVC) を促進するための 2 つの重要な要素です。
最近、人気のある対比学習の導入により、ビューの一貫性学習が MVC でさらに強化され、有望なパフォーマンスが得られました。
ただし、対照的に、ヒルベルト シュミット独立基準 (HSIC) 項または独立したエンコーダー/デコーダー ネットワークがビュー固有の情報をキャプチャするために通常採用される機能面を除いて、相補性は十分な注目を集めていません。
これは、ビューの一貫性を維持しながら、feature-、view-label-、contrast-ファセットを含む複数のファセットから包括的にビューの相補性学習を再考する動機となります。
経験的に、すべてのファセットが相補性学習に寄与していることがわかりました。特に、既存の方法では通常無視されているビューラベルのファセットです。
これに基づいて、多面的な補完性を融合する新しい \underline{M}ulti-\underline{V}iew \underline{C}lustering (MCMVC) のための新しい \underline{M}ultifacet \underline{C}omplementarity 学習フレームワークを開発します。
特にビューラベル情報を明示的に埋め込む。
私たちの知る限り、ビューの相補性学習を導くためにビューラベルを明示的に使用するのは初めてです。
SOTA ベースラインと比較すると、MCMVC は、3 つの評価指標に関して、Caltech101-20 の完全および不完全な MVC 設定でそれぞれ $5.00\%$ および $7.00\%$ を超える平均マージンなど、顕著な改善を達成しています。

要約(オリジナル)

Consistency and complementarity are two key ingredients for boosting multi-view clustering (MVC). Recently with the introduction of popular contrastive learning, the consistency learning of views has been further enhanced in MVC, leading to promising performance. However, by contrast, the complementarity has not received sufficient attention except just in the feature facet, where the Hilbert Schmidt Independence Criterion (HSIC) term or the independent encoder-decoder network is usually adopted to capture view-specific information. This motivates us to reconsider the complementarity learning of views comprehensively from multiple facets including the feature-, view-label- and contrast- facets, while maintaining the view consistency. We empirically find that all the facets contribute to the complementarity learning, especially the view-label facet, which is usually neglected by existing methods. Based on this, we develop a novel \underline{M}ultifacet \underline{C}omplementarity learning framework for \underline{M}ulti-\underline{V}iew \underline{C}lustering (MCMVC), which fuses multifacet complementarity information, especially explicitly embedding the view-label information. To our best knowledge, it is the first time to use view-labels explicitly to guide the complementarity learning of views. Compared with the SOTA baseline, MCMVC achieves remarkable improvements, e.g., by average margins over $5.00\%$ and $7.00\%$ respectively in complete and incomplete MVC settings on Caltech101-20 in terms of three evaluation metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google