Unpaired Multi-View Graph Clustering with Cross-View Structure Matching

要約

複数のビューからの情報を効果的に融合してパフォーマンスを向上させるマルチビュー クラスタリング (MVC) への注目が高まっています。
既存の MVC メソッドのほとんどは、マルチビュー データが完全にペアになっていると想定しています。これは、ビュー間の対応するすべてのサンプルのマッピングが事前に定義されているか、事前に与えられていることを意味します。
ただし、実際のアプリケーションでは、データの破損やセンサーの違いにより、データの対応が不完全になることがよくあります。これは、マルチビューの文献ではデータ不対問題 (DUP) と呼ばれます。
DUP 問題に対処するためにいくつかの試みがなされてきましたが、次のような欠点があります。 1) ほとんどの方法は、クラスタリング タスクに不可欠なマルチビュー データの構造情報を無視しながら、特徴表現に焦点を当てています。
2) 部分的にペアになっていない問題に対する既存の方法は、事前に与えられたビュー間の位置合わせ情報に依存しているため、完全にペアになっていない問題を処理できません。
3) それらの避けられないパラメータは、モデルの効率と適用性を低下させます。
これらの問題に取り組むために、我々は、Cross-View Structure Matching (UPMGC-SM) を備えた Unpaired Multi-view Graph Clustering Framework (UPMGC-SM) と呼ばれる、新しいパラメーターフリーのグラフ クラスタリング フレームワークを提案します。
具体的には、既存の方法とは異なり、UPMGC-SM は各ビューからの構造情報を効果的に利用して、ビュー間の対応を改善します。
さらに、当社の UPMGC-SM は、完全および部分的にペアになっていないマルチビュー グラフ クラスタリングのための統合フレームワークです。
さらに、既存のグラフ クラスタリング手法は、当社の UPMGC-SM を採用して、ペアになっていないシナリオの能力を強化できます。
広範な実験により、ペアと非ペアの両方のデータセットに対する私たちが提案するフレームワークの有効性と一般化が実証されています。

要約(オリジナル)

Multi-view clustering (MVC), which effectively fuses information from multiple views for better performance, has received increasing attention. Most existing MVC methods assume that multi-view data are fully paired, which means that the mappings of all corresponding samples between views are pre-defined or given in advance. However, the data correspondence is often incomplete in real-world applications due to data corruption or sensor differences, referred as the data-unpaired problem (DUP) in multi-view literature. Although several attempts have been made to address the DUP issue, they suffer from the following drawbacks: 1) Most methods focus on the feature representation while ignoring the structural information of multi-view data, which is essential for clustering tasks; 2) Existing methods for partially unpaired problems rely on pre-given cross-view alignment information, resulting in their inability to handle fully unpaired problems; 3) Their inevitable parameters degrade the efficiency and applicability of the models. To tackle these issues, we propose a novel parameter-free graph clustering framework termed Unpaired Multi-view Graph Clustering framework with Cross-View Structure Matching (UPMGC-SM). Specifically, unlike the existing methods, UPMGC-SM effectively utilizes the structural information from each view to refine cross-view correspondences. Besides, our UPMGC-SM is a unified framework for both the fully and partially unpaired multi-view graph clustering. Moreover, existing graph clustering methods can adopt our UPMGC-SM to enhance their ability for unpaired scenarios. Extensive experiments demonstrate the effectiveness and generalization of our proposed framework for both paired and unpaired datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google