Core Concepts
ノイズの影響を受けたビューに対処する理論的に根拠のある深いマルチビュークラスタリング手法(MVCAN)が、ノイズの副作用を軽減し、多視点データで優れたパフォーマンスを達成する。
Abstract
マルチビュークラスタリングは、多視点データ内のカテゴリ構造を探索することを目指す。
MVCANは、共有パラメータや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目的関数を提案している。
二段階のマルチビュー反復最適化が設計されており、個々のビューの表現学習を洗練させるために頑健な学習ターゲットを生成している。
実験結果は、MVCANが既存手法よりも優れており、ノイズが存在しても頑健であることを示している。
Stats
多くのMVC手法はSVC手法よりも性能向上していることが示されています。
MVCANは全体的に最高または比較可能なパフォーマンスを達成しています。
Quotes
"The success of existing MVC methods lies in that they are able to explore the consistency and complementarity among multi-view data."
"Despite some of these MVC methods leverage weighting strategies to balance different views, the noisy-view drawback still prevent them from learning effective cluster structures in some practical scenarios."