Automatically Identify and Rectify: Robust Deep Contrastive Multi-view Clustering in Noisy Scenarios

要約

強力な表現学習機能を活用して、深いマルチビュークラスタリング方法は、近年、多様な見解からマルチソース情報を効果的に統合することにより、信頼できるパフォーマンスを実証しています。
ほとんどの既存の方法は、きれいなビューの仮定に依存しています。
ただし、実際のシナリオではノイズが広まっているため、パフォーマンスの大幅な劣化が生じます。
この問題に取り組むために、AirMVCと呼ばれる騒々しいデータの自動識別と修正のための新しいマルチビュー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、GMMを使用して、騒々しい識別を異常識別の問題として再定式化します。
次に、識別結果に基づいてノイズの多いデータの悪影響を緩和するために、ハイブリッド修正戦略を設計します。
さらに、信頼できる表現を生成するために、ノイズ – ロバスト対照メカニズムを導入します。
さらに、これらの表現が騒々しい情報を破棄し、それによりダウンストリームタスクのパフォーマンスを改善できることを示す理論的証拠を提供します。
6つのベンチマークデータセットでの広範な実験は、AirMVCが騒々しいシナリオの堅牢性の観点から最先端のアルゴリズムを上回ることを示しています。
AirMVCのコードは、githubのhttps://github.com/xihongyang1999/airmvcで入手できます。

要約(オリジナル)

Leveraging the powerful representation learning capabilities, deep multi-view clustering methods have demonstrated reliable performance by effectively integrating multi-source information from diverse views in recent years. Most existing methods rely on the assumption of clean views. However, noise is pervasive in real-world scenarios, leading to a significant degradation in performance. To tackle this problem, we propose a novel multi-view clustering framework for the automatic identification and rectification of noisy data, termed AIRMVC. Specifically, we reformulate noisy identification as an anomaly identification problem using GMM. We then design a hybrid rectification strategy to mitigate the adverse effects of noisy data based on the identification results. Furthermore, we introduce a noise-robust contrastive mechanism to generate reliable representations. Additionally, we provide a theoretical proof demonstrating that these representations can discard noisy information, thereby improving the performance of downstream tasks. Extensive experiments on six benchmark datasets demonstrate that AIRMVC outperforms state-of-the-art algorithms in terms of robustness in noisy scenarios. The code of AIRMVC are available at https://github.com/xihongyang1999/AIRMVC on Github.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google