An Adaptive Framework for Multi-View Clustering Leveraging Conditional Entropy Optimization

要約

マルチビュー クラスタリング (MVC) は、複数の視点またはモダリティによって特徴付けられるデータから貴重な洞察を抽出するための強力な手法として登場しました。
大幅な進歩にもかかわらず、既存の MVC 手法はビュー間の一貫性と相補性を効果的に定量化することに苦労しており、特にノイズのあるビューの欠点 (NVD) として知られるノイズの多いビューの悪影響を受けやすくなっています。
これらの課題に対処するために、適応重み付けアルゴリズムとパラメーター分離されたディープ モデルを統合する新しいフレームワークである CE-MVC を提案します。
条件付きエントロピーと正規化された相互情報量の概念を活用して、CE-MVC は各ビューの有益な貢献を定量的に評価して重み付けし、堅牢な統一表現の構築を促進します。
パラメーターを分離した設計により、各ビューの独立した処理が可能になり、ノイズの影響が効果的に軽減され、全体的なクラスタリング パフォーマンスが向上します。
広範な実験により、CE-MVC が既存のアプローチよりも優れたパフォーマンスを発揮し、マルチビュー クラスタリング タスクに対してより回復力と正確なソリューションを提供することが実証されました。

要約(オリジナル)

Multi-view clustering (MVC) has emerged as a powerful technique for extracting valuable insights from data characterized by multiple perspectives or modalities. Despite significant advancements, existing MVC methods struggle with effectively quantifying the consistency and complementarity among views, and are particularly susceptible to the adverse effects of noisy views, known as the Noisy-View Drawback (NVD). To address these challenges, we propose CE-MVC, a novel framework that integrates an adaptive weighting algorithm with a parameter-decoupled deep model. Leveraging the concept of conditional entropy and normalized mutual information, CE-MVC quantitatively assesses and weights the informative contribution of each view, facilitating the construction of robust unified representations. The parameter-decoupled design enables independent processing of each view, effectively mitigating the influence of noise and enhancing overall clustering performance. Extensive experiments demonstrate that CE-MVC outperforms existing approaches, offering a more resilient and accurate solution for multi-view clustering tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google