Investigating and Mitigating the Side Effects of Noisy Views in Multi-view Clustering in Practical Scenarios

要約

タイトル：
– 実際のシナリオでの多視点クラスタリングにおけるノイズビューの副作用の調査と軽減

要約：
– 多視点クラスタリング(MvC)は、ラベルの監視を必要とせずに多視点データのカテゴリ構造を探索することを目的としています。多数の視点は単一の視点よりも多くの情報を提供するため、既存のMvC方法は満足のいく性能を発揮することができます。しかし、実践的なシナリオにおいて、視点がノイズである場合、彼らのパフォーマンスは深刻に低下する可能性があります。本論文では、まずノイズビューの欠点を形式的に調査し、その後理論的に合理的な深遠視点クラスタリング手法(MvCAN)を提案してこの問題に対処します。具体的には、複数のビュー間で共有されていないパラメーターと一貫性のないクラスタリング予測を可能にする新しいMvC目的を提案し、ノイズビューの副作用を軽減します。さらに、非パラメトリックな反復処理を設計し、複数の視点の有用な情報をマイニングするための堅牢な学習ターゲットを生成します。理論的な分析により、MvCANがマルチビューの一貫性、相補性、ノイズの耐性を実現する方法が明らかになります。最後に、公開データセット上の実験により、MvCANが最先端の手法を凌駕し、ノイズビューの存在に対して堅牢であることが示されます。

要約(オリジナル)

Multi-view clustering (MvC) aims at exploring the category structure among multi-view data without label supervision. Multiple views provide more information than single views and thus existing MvC methods can achieve satisfactory performance. However, their performance might seriously degenerate when the views are noisy in practical scenarios. In this paper, we first formally investigate the drawback of noisy views and then propose a theoretically grounded deep MvC method (namely MvCAN) to address this issue. Specifically, we propose a novel MvC objective that enables un-shared parameters and inconsistent clustering predictions across multiple views to reduce the side effects of noisy views. Furthermore, a non-parametric iterative process is designed to generate a robust learning target for mining multiple views’ useful information. Theoretical analysis reveals that MvCAN works by achieving the multi-view consistency, complementarity, and noise robustness. Finally, experiments on public datasets demonstrate that MvCAN outperforms state-of-the-art methods and is robust against the existence of noisy views.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI