核心概念
提案手法は、各視点のグラフを一貫性のあるグラフと視点固有のグラフの組み合わせとしてモデル化し、テンソルベースの最適化問題を解くことで、多視点データの特徴を効果的に活用してクラスタリングを行う。
要約
本論文は、多視点クラスタリングのためのテンソルベースのグラフ学習手法を提案している。
まず、各視点のデータ間の類似性をStiefel多様体上の距離を用いて計算し、適応的な隣接グラフを構築する。次に、各視点の隣接グラフは一貫性のあるグラフと視点固有のグラフの組み合わせでモデル化できると仮定し、テンソルベースの最適化問題を定式化する。これにより、視点間の一貫性と個別性の両方を考慮したグラフ融合が可能となる。
提案手法の最適化アルゴリズムでは、交互最適化手法を用いて各変数を更新する。具体的には、隣接グラフ、一貫性グラフ、視点固有グラフ、誤差テンソルの更新を行う。
実験結果から、提案手法は既存の多視点クラスタリング手法と比較して優れたクラスタリング性能を示すことが確認された。特に、HW、Reuters、3-sourcesデータセットでは最高の性能を達成している。
統計
多視点データの各視点間の類似性を表す指標は重要である。
提案手法では、各視点のデータ間の類似性をStiefel多様体上の距離を用いて計算している。
引用
提案手法は、各視点の隣接グラフを一貫性のあるグラフと視点固有のグラフの組み合わせでモデル化することで、視点間の一貫性と個別性の両方を考慮したグラフ融合を実現している。