Structure-guided Deep Multi-View Clustering

要約

Deep Multi-View Clusteringは、複数のビューから豊富な情報を利用して、クラスタリングパフォーマンスを向上させようとしています。
ただし、既存のクラスタリング方法のほとんどは、多くの場合、マルチビューの構造情報を完全に採掘することを怠り、マルチビューデータの分布を調査しないため、クラスタリングパフォーマンスが制限されます。
これらの制限に対処するために、構造誘導のディープマルチビュークラスタリングモデルを提案します。
具体的には、近隣の関係に基づいて、対応する損失関数と相まって、肯定的なサンプル選択戦略を導入します。
この戦略は、マルチビューの最近隣接グラフを構築して、正のサンプルペアを動的に再定義し、マルチビューデータ内のローカル構造情報のマイニングを可能にし、陽性サンプル選択の信頼性を高めます。
さらに、ガウス分布モデルを導入して、潜在的な構造情報を明らかにし、ビュー埋め込み間の矛盾を減らすための損失関数を導入します。
これらの2つの戦略は、さまざまな観点からマルチビューの構造情報とデータ分布を探求し、ビュー全体で一貫性を高め、クラスター内コンパクトさを高めます。
実験的評価は、当社の方法の有効性を示しており、最先端のマルチビュークラスタリングアプローチと比較して、複数のベンチマークデータセットでのクラスタリングパフォーマンスの大幅な改善を示しています。

要約(オリジナル)

Deep multi-view clustering seeks to utilize the abundant information from multiple views to improve clustering performance. However, most of the existing clustering methods often neglect to fully mine multi-view structural information and fail to explore the distribution of multi-view data, limiting clustering performance. To address these limitations, we propose a structure-guided deep multi-view clustering model. Specifically, we introduce a positive sample selection strategy based on neighborhood relationships, coupled with a corresponding loss function. This strategy constructs multi-view nearest neighbor graphs to dynamically redefine positive sample pairs, enabling the mining of local structural information within multi-view data and enhancing the reliability of positive sample selection. Additionally, we introduce a Gaussian distribution model to uncover latent structural information and introduce a loss function to reduce discrepancies between view embeddings. These two strategies explore multi-view structural information and data distribution from different perspectives, enhancing consistency across views and increasing intra-cluster compactness. Experimental evaluations demonstrate the efficacy of our method, showing significant improvements in clustering performance on multiple benchmark datasets compared to state-of-the-art multi-view clustering approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google