Multi-view Semantic Consistency based Information Bottleneck for Clustering
Auteurs : Wenbiao Yan, Jihua Zhu, Yiyang Zhou, Yifei Wang, Qinghai Zheng
Points clés générés par l'IA
- La classification multi-vue utilise des informations de plusieurs sources pour la classification non supervisée.
- La plupart des méthodes existantes ignorent l'influence des informations privées et du bruit.
- Le MSCIB introduit un nouveau goulot d'étranglement d'information basé sur la cohérence sémantique multi-vue pour la classification.
- Le MSCIB poursuit une cohérence sémantique pour améliorer le processus d'apprentissage du goulot d'étouffement de l'information pour différentes vues.
- Le MSCIB effectue l’opération d’alignement de plusieurs vues dans l’espace sémantique et atteint conjointement les informations cohérentes précieuses des données multi-vues.
- La cohérence sémantique apprise à partir de données multi-vues peut amener à une meilleure distinction entre les informations cohésives et apprendre une représentation unifiée avec des informations plus discriminatoires pour la classification.
- Des expériences montrent que le MSCIB atteint une performance optimale sur divers types d'ensembles de données multi-vues.
- Les auteurs soulignent que la plupart des méthodes existantes ne tiennent pas compte des informations privées et du bruit lorsqu'ils apprennent une matrice de représentation fusionnée.
- Leur méthode MSCIB résout ce problème en recherchant une cohésion sémantique afin d'aménager le processus d'apprentissage du goulot d'étouffement de l'information pour différentes vues.
- Ils ont également expliqué que leur méthode effectue l’opération d’alignement dans l’espace sémantique afin qu’elle puisse atteindre conjointement les informations cohérentes précieuses des données multi-vues.
- Les résultats expérimentaux montrent que leur méthode est supérieure aux autres méthodes existantes en termes de performance sur divers types d'ensembles de données multi-vues.
Résumé : Multi-view clustering can make use of multi-source information for unsupervised clustering. Most existing methods focus on learning a fused representation matrix, while ignoring the influence of private information and noise. To address this limitation, we introduce a novel Multi-view Semantic Consistency based Information Bottleneck for clustering (MSCIB). Specifically, MSCIB pursues semantic consistency to improve the learning process of information bottleneck for different views. It conducts the alignment operation of multiple views in the semantic space and jointly achieves the valuable consistent information of multi-view data. In this way, the learned semantic consistency from multi-view data can improve the information bottleneck to more exactly distinguish the consistent information and learn a unified feature representation with more discriminative consistent information for clustering. Experiments on various types of multi-view datasets show that MSCIB achieves state-of-the-art performance.
Outils pour cet article
Posez des questions sur cet article à notre assistant IA
Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.
⚠La licence de l'article ne nous permet pas de nous appuyer sur son contenu et l'assistant IA ne peut se servir que des métadonnées de l'article plutôt que de l'article complet.
Le résumé précédent a été créé il y a plus d'un an et peut être réexécuté (si nécessaire) en cliquant sur le bouton Exécuter ci-dessous.
⚠La licence de cet article spécifique ne nous permet pas de nous appuyer sur son contenu et les outils de synthèse seront exécutés en utilisant les métadonnées de l'article plutôt que l'article complet. Cependant, l'outil produira quand même un bon résultat, et vous pouvez également essayer nos outils sur des papiers avec des licences plus ouvertes.
Articles similaires résumés avec nos outils d'IA
Naviguez à travers encore plus d'articles similaires en utilisant une
représentation arborescenteRecherchez des articles similaires (en version bêta)
Nous comparons le titre et le résumé avec les articles indexés dans notre base. Pour les articles arXiv, la recherche porte sur la même catégorie ; pour les DOI et les autres sources, elle couvre toutes les sources et disciplines. Vous pouvez la relancer à mesure que notre base s’enrichit.
Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.