Core Concepts
本手法は、複数の視点からのデータを効率的に処理し、一段階でクラスタリング結果を得ることができる。圧縮部分空間を活用することで、大規模データに対しても高速に処理が可能である。
Abstract
本論文では、One-Step Late Fusion Multi-view Clustering with Compressed Subspace (OS-LFMVC-CS)と呼ばれる新しい多視点クラスタリング手法を提案している。主な特徴は以下の通り:
クラスタリング構造の最適化とラベル学習を統一的なフレームワークで行うことで、一段階でクラスタリング結果を得ることができる。
圧縮部分空間を活用することで、時間計算量とメモリ使用量がともにO(n)となり、大規模データに対しても高速に処理が可能である。
6ステップの反復最適化アルゴリズムを提案し、その収束性を理論的に示している。
複数のベンチマークデータセットで提案手法の有効性と効率性を実験的に検証している。
提案手法の最適化では、以下の6つのステップを反復的に行う:
各視点の partition matrix Wiの更新
融合係数βの更新
圧縮行列Pの更新
再構成行列Sの更新
クラスタ中心Cの更新
ラベル行列Yの更新
これらの更新式は、クラスタリング構造の最適化とラベル学習を統一的に行うことができる。また、圧縮部分空間を活用することで、大規模データに対しても高速に処理が可能となる。
Stats
クラスタリング性能の評価指標として、Accuracy(ACC)、Normalized Mutual Information(NMI)、Purityを使用している。