One-Step Late Fusion Multi-view Clustering with Compressed Subspace

要約

後期融合マルチビュー クラスタリング (LMVC) は、その優れた計算速度とクラスタリング パフォーマンスにより、マルチビュー クラスタリング (MVC) 分野で急速に成長しているクラスの手法となっています。
既存の遅延融合手法が直面するボトルネックの 1 つは、通常、それらの手法が平均的なカーネル関数に合わせて調整されるため、クラスタリングのパフォーマンスがデータセットの品質に大きく依存することです。
もう 1 つの問題は、最終的な離散ラベルを取得するためにコンセンサス分割行列を取得した後、後続の k-means クラスタリングが必要であり、結果としてラベル学習プロセスとクラスター構造最適化プロセスが分離されるため、これらのモデルの整合性が制限されることです。
上記の問題に対処するために、我々は、One-Step Late Fusion Multi-view Clustering with Compressed Subspace (OS-LMVC-CS) という名前の統合フレームワークを提案します。
具体的には、コンセンサス部分空間を使用してパーティション融合を最適化しながらパーティション行列を調整し、融合されたパーティション行列を利用して離散ラベルの学習をガイドします。
収束が検証された 6 ステップの反復最適化アプローチが提案されています。
複数のデータセットに対する十分な実験により、提案した方法の有効性と効率性が検証されます。

要約(オリジナル)

Late fusion multi-view clustering (LFMVC) has become a rapidly growing class of methods in the multi-view clustering (MVC) field, owing to its excellent computational speed and clustering performance. One bottleneck faced by existing late fusion methods is that they are usually aligned to the average kernel function, which makes the clustering performance highly dependent on the quality of datasets. Another problem is that they require subsequent k-means clustering after obtaining the consensus partition matrix to get the final discrete labels, and the resulting separation of the label learning and cluster structure optimization processes limits the integrity of these models. To address the above issues, we propose an integrated framework named One-Step Late Fusion Multi-view Clustering with Compressed Subspace (OS-LFMVC-CS). Specifically, we use the consensus subspace to align the partition matrix while optimizing the partition fusion, and utilize the fused partition matrix to guide the learning of discrete labels. A six-step iterative optimization approach with verified convergence is proposed. Sufficient experiments on multiple datasets validate the effectiveness and efficiency of our proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google