Dual Representation Learning for One-Step Clustering of Multi-View Data

要約

マルチビュー データは、データ マイニング アプリケーションで一般的に使用されます。
マルチビュー データから情報を効果的に抽出するには、複数のビューを持つデータに対応するためのクラスタリング方法の特定の設計が必要ですが、これは自明ではなく困難です。
この論文では、異なるビューの共通情報と特定情報の両方の二重表現を活用することにより、新しいワンステップマルチビュークラスタリング方法を提案します。
この動機は、マルチビュー データにはビュー間の一貫した知識だけでなく、各ビューの固有の知識も含まれているという理論的根拠に由来します。
一方、表現学習をクラスタリング タスクにより具体的にするために、表現学習とクラスタリング パーティションを全体として統合するワンステップ学習フレームワークが提案されています。
このフレームワークを使用すると、表現学習とクラスタリング パーティションが相互に利益をもたらし、クラスタリングのパフォーマンスが効果的に向上します。
ベンチマーク マルチビュー データセットに対して実施された広範な実験の結果は、提案された方法の優位性を明確に示しています。

要約(オリジナル)

Multi-view data are commonly encountered in data mining applications. Effective extraction of information from multi-view data requires specific design of clustering methods to cater for data with multiple views, which is non-trivial and challenging. In this paper, we propose a novel one-step multi-view clustering method by exploiting the dual representation of both the common and specific information of different views. The motivation originates from the rationale that multi-view data contain not only the consistent knowledge between views but also the unique knowledge of each view. Meanwhile, to make the representation learning more specific to the clustering task, a one-step learning framework is proposed to integrate representation learning and clustering partition as a whole. With this framework, the representation learning and clustering partition mutually benefit each other, which effectively improve the clustering performance. Results from extensive experiments conducted on benchmark multi-view datasets clearly demonstrate the superiority of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google