High-order Multi-view Clustering for Generic Data

要約

グラフベースのマルチビュー クラスタリングは、ほとんどの非グラフ アプローチよりも優れたパフォーマンスを達成しています。
ただし、多くの現実世界のシナリオでは、データのグラフ構造が与えられていないか、最初のグラフの品質が低くなります。
さらに、既存の方法は、複雑な固有の相互作用を特徴付ける高次の近隣情報をほとんど無視しています。
これらの問題に取り組むために、高次マルチビュー クラスタリング (HMvC) と呼ばれるアプローチを導入して、汎用データのトポロジ構造情報を調べます。
まず、グラフ フィルタリングを適用して構造情報をエンコードします。これにより、属性付きグラフ データと非グラフ データの処理が 1 つのフレームワークに統合されます。
次に、学習したグラフを充実させるために、無限次数までの固有の関係が利用されます。
第三に、さまざまなビューの一貫した補完的な情報を調査するために、コンセンサスグラフを実現するための適応グラフ融合メカニズムが提案されています。
非グラフ データと属性付きグラフ データの両方に関する包括的な実験結果は、いくつかのディープ ラーニング手法を含むさまざまな最先端の手法に関して、この手法の優れたパフォーマンスを示しています。

要約(オリジナル)

Graph-based multi-view clustering has achieved better performance than most non-graph approaches. However, in many real-world scenarios, the graph structure of data is not given or the quality of initial graph is poor. Additionally, existing methods largely neglect the high-order neighborhood information that characterizes complex intrinsic interactions. To tackle these problems, we introduce an approach called high-order multi-view clustering (HMvC) to explore the topology structure information of generic data. Firstly, graph filtering is applied to encode structure information, which unifies the processing of attributed graph data and non-graph data in a single framework. Secondly, up to infinity-order intrinsic relationships are exploited to enrich the learned graph. Thirdly, to explore the consistent and complementary information of various views, an adaptive graph fusion mechanism is proposed to achieve a consensus graph. Comprehensive experimental results on both non-graph and attributed graph data show the superior performance of our method with respect to various state-of-the-art techniques, including some deep learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google