Investigating and Mitigating the Side Effects of Noisy Views for Self-Supervised Clustering Algorithms in Practical Multi-View Scenarios

要約

マルチビュー クラスタリング (MVC) は、自己教師ありの方法でマルチビュー データ間のカテゴリ構造を調査することを目的としています。
複数のビューは単一ビューよりも多くの情報を提供するため、既存の MVC メソッドは満足のいくパフォーマンスを達成できます。
ただし、実際のマルチビュー シナリオでビューにノイズが多い場合、パフォーマンスが大幅に低下する可能性があります。
この論文では、まずノイズの多いビューの欠点を正式に調査し、次にこの問題に対処するための理論的に根拠のあるディープ MVC メソッド (つまり MVCAN) を提案します。
具体的には、ノイズの多いビューの副作用を軽減するために、複数のビューにわたる非共有パラメータと一貫性のないクラスタリング予測を可能にする新しい MVC 目標を提案します。
さらに、2 レベルのマルチビュー反復最適化は、個々のビューの表現学習を洗練するための堅牢な学習ターゲットを生成するように設計されています。
理論的分析により、MVCAN はマルチビューの一貫性、相補性、およびノイズ耐性を達成することによって機能することが明らかになりました。
最後に、広範な公開データセットでの実験により、MVCAN が最先端の手法を上回り、ノイズの多いビューの存在に対して堅牢であることが実証されました。

要約(オリジナル)

Multi-view clustering (MVC) aims at exploring category structures among multi-view data in self-supervised manners. Multiple views provide more information than single views and thus existing MVC methods can achieve satisfactory performance. However, their performance might seriously degenerate when the views are noisy in practical multi-view scenarios. In this paper, we first formally investigate the drawback of noisy views and then propose a theoretically grounded deep MVC method (namely MVCAN) to address this issue. Specifically, we propose a novel MVC objective that enables un-shared parameters and inconsistent clustering predictions across multiple views to reduce the side effects of noisy views. Furthermore, a two-level multi-view iterative optimization is designed to generate robust learning targets for refining individual views’ representation learning. Theoretical analysis reveals that MVCAN works by achieving the multi-view consistency, complementarity, and noise robustness. Finally, experiments on extensive public datasets demonstrate that MVCAN outperforms state-of-the-art methods and is robust against the existence of noisy views.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google