Structure-guided Deep Multi-View Clustering

要約

ディープ マルチビュー クラスタリングは、複数のビューからの豊富な情報を利用してクラスタリングのパフォーマンスを向上させようとします。
ただし、既存のクラスタリング手法のほとんどは、マルチビューの構造情報の完全なマイニングを怠り、マルチビュー データの分布を調査できないことが多く、クラスタリングの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、構造に基づいたディープ 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、近傍関係に基づいたポジティブなサンプル選択戦略と、対応する損失関数を組み合わせたものを導入します。
この戦略は、マルチビュー最近傍グラフを構築してポジティブ サンプル ペアを動的に再定義し、マルチビュー データ内の局所構造情報のマイニングを可能にし、ポジティブ サンプル選択の信頼性を高めます。
さらに、潜在的な構造情報を明らかにするためにガウス分布モデルを導入し、ビューの埋め込み間の不一致を減らすために損失関数を導入します。
これら 2 つの戦略は、マルチビューの構造情報とデータ分散をさまざまな観点から調査し、ビュー間の一貫性を強化し、クラスター内のコンパクト性を高めます。
実験による評価では、私たちの方法の有効性が実証されており、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 パフォーマンスが大幅に向上していることが示されています。

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