Deep Multiview Clustering by Contrasting Cluster Assignments

要約

タイトル: クラスター割り当てを対比することによるDeep Multiview Clustering
要約:
– Multiview Clustering(MVC)は、複数の視点からのデータの構造を分散して分類することを目的としている。
– 大規模なデータセットに対して深層学習ベースの方法は強力な特徴学習能力を示しているが、既存の深層MVC手法の多くは、複数の視点の不変表現を探索することは未だに困難である。
– 本論文では、cross-view contrastive learning(CVCL)法を提案することによって、クラスター割り当てを比較することにより、複数の視点にわたる不変表現を学習し、クラスタリングの結果を出力することができる。
– 具体的には、橋渡しの前段階で深層オートエンコーダーを用いて視点固有の特徴を抽出する。その後、クラスターレベルCVCL戦略を採用し、ファインチューニングの段階で複数の視点にわたる一貫した意味ラベル情報を探求する。したがって、提案されたCVCL手法は、この学習戦略によってより識別力の高いクラスター割り当てを出力できる。
– さらに、ソフトクラスター割り当ての整列の理論分析を提供する。
– いくつかのデータセットで得られた広範な実験結果は、提案されたCVCL手法がいくつかの最先端の手法を凌駕することを示している。

要約(オリジナル)

Multiview clustering (MVC) aims to reveal the underlying structure of multiview data by categorizing data samples into clusters. Deep learning-based methods exhibit strong feature learning capabilities on large-scale datasets. For most existing deep MVC methods, exploring the invariant representations of multiple views is still an intractable problem. In this paper, we propose a cross-view contrastive learning (CVCL) method that learns view-invariant representations and produces clustering results by contrasting the cluster assignments among multiple views. Specifically, we first employ deep autoencoders to extract view-dependent features in the pretraining stage. Then, a cluster-level CVCL strategy is presented to explore consistent semantic label information among the multiple views in the fine-tuning stage. Thus, the proposed CVCL method is able to produce more discriminative cluster assignments by virtue of this learning strategy. Moreover, we provide a theoretical analysis of soft cluster assignment alignment. Extensive experimental results obtained on several datasets demonstrate that the proposed CVCL method outperforms several state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI