多视角聚类的重新考虑表示对齐
本文介绍了 DeepMVC,它是一个深度多视角聚类的统一框架,包含近期多种方法实例。作者研究了自监督学习的作用及其对齐表示的缺点,并证明对比对齐会对聚类可分性造成负面影响。作者进一步开发了新的 DeepMVC 实例,发现所有方法都受益于某种形式的自监督学习,新实例在多个数据集上比先前方法表现更优。最后,作者提供了 DeepMVC 的开源实现,其中包括所有模型和新实例,以及一致的评估协议。
Mar, 2023
本文介绍了多视图表示学习中的两个类别:多视图表示对齐和多视图表示融合,并从多个角度回顾了代表性的方法和理论,进而调查了多视图表示学习的发展。最终,探讨了多视图表示学习的几个重要应用,并旨在为研究人员提供深入的理论基础和最新的发展。
Oct, 2016
本文提出了一种跨视角对比学习(CVCL)方法,该方法利用深度自编码器将视角相关特征提取出来,通过对多个视角下的聚类结果对比来学习视角不变性表示,并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息,从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。
Apr, 2023
多视角表示学习中的重叠与纯化问题得到了深入分析,提出了一种创新的多视角表示学习框架,结合了一种名为 “distilled disentangling” 的技术,通过引入遮蔽交叉视角预测的概念,实现了从多种数据源中提取紧凑、高质量的视角一致的表示,进一步减少了与视角特定表示的冗余,提升了学习过程的整体效率。
Mar, 2024
提出了一种多视角聚类方法,它使用矩阵分解实现低复杂度且高效率的多视角聚类,并在自我监督学习的基础上利用多样的表示方法,避免二阶段过程,在多维度下开展信息聚合,并使用 $k$-means 进行统一聚类,得出了在各种数据集上优越的聚类性能表现。
Jun, 2023
本文提出一种深度多视角聚类 (Multi-view Clustering) 框架,将数据恢复和对齐融合在一个层次一致的方式中,通过最大化不同视角之间的互信息,并确保它们的潜在空间的一致性来解决多视角数据在现实世界应用中的视角缺失和不对齐问题。实验结果表明,我们的方法在多视角聚类中显著优于现有方法,即使在视角缺失和不对齐的情况下也是如此。
Oct, 2023
本论文致力于通过建立一种简洁而有效的模型来攻克学习来自多视角多标签数据的三大挑战:缺失标签、不完整视角和非对齐视角。我们利用多视角的一致性以及多个标签之间的全局和局部结构来缓解可用标签的不足。我们的实验结果表明,在五个真实数据集上,即使在没有视角对齐的情况下,我们的方法在性能上也显着优于最先进的视角对齐方法。
May, 2020
本文提出了一种基于共享生成潜在表征的多视角聚类方法,通过深度生成学习从视角中提取非线性特征并捕捉视角之间的相关性以达到更好的聚类性能,并在多个不同规模的数据集上得到了优于现有方法的实验结果。
Jul, 2019
本文提出了一种概率模型,同时学习对双语数据的对齐和分布式表示。通过在单词对齐上进行边缘化,该模型捕获比先前依赖于硬对齐的方法更大的语义上下文。该方法的优势在跨语言分类任务中得到了证明,我们超越了先前已发布的最新技术水平。
May, 2014