[論文レビュー] Unpaired Multi-View Graph Clustering with Cross-View Structure Matching

Yi Wen, Siwei Wang+5 more|arXiv (Cornell University)|Jul 7, 2023

Advanced Graph Neural Networks被引用数 4

ひとこと要約

本稿では、事前のアライメントを必要とせず、ペアのないマルチビューデータ向けに、クロスビュー構造マッチングを活用してサンプル対応関係を精緻化するパラメータフリーのグラフクラスタリングフレームワーク、UPMGC-SMを提案する。共有空間と投影固定点最適化を用いることで、完全および部分的なペアのないデータセットにおいても、高いロバスト性を示し、ハイパーパrameterチューニングを最小限に抑えつつ、既存手法よりもアライメント精度とクラスタリング性能に優れる。

ABSTRACT

Multi-view clustering (MVC), which effectively fuses information from multiple views for better performance, has received increasing attention. Most existing MVC methods assume that multi-view data are fully paired, which means that the mappings of all corresponding samples between views are pre-defined or given in advance. However, the data correspondence is often incomplete in real-world applications due to data corruption or sensor differences, referred as the data-unpaired problem (DUP) in multi-view literature. Although several attempts have been made to address the DUP issue, they suffer from the following drawbacks: 1) Most methods focus on the feature representation while ignoring the structural information of multi-view data, which is essential for clustering tasks; 2) Existing methods for partially unpaired problems rely on pre-given cross-view alignment information, resulting in their inability to handle fully unpaired problems; 3) Their inevitable parameters degrade the efficiency and applicability of the models. To tackle these issues, we propose a novel parameter-free graph clustering framework termed Unpaired Multi-view Graph Clustering framework with Cross-View Structure Matching (UPMGC-SM). Specifically, unlike the existing methods, UPMGC-SM effectively utilizes the structural information from each view to refine cross-view correspondences. Besides, our UPMGC-SM is a unified framework for both the fully and partially unpaired multi-view graph clustering. Moreover, existing graph clustering methods can adopt our UPMGC-SM to enhance their ability for unpaired scenarios. Extensive experiments demonstrate the effectiveness and generalization of our proposed framework for both paired and unpaired datasets.

研究の動機と目的

• サンプル間の対応関係が欠落または不完全であるマルチビュークラスタリングにおけるデータペアなし問題（DUP）に対処すること。
• 従来手法が構造的情報を無視し、事前に定義されたアライメントやハイパーパrameterに依存するという制限を克服すること。
• 完全および部分的なペアのない状況の両方に対応できる統一的かつパラメータフリーのフレームワークを構築すること。
• 共有メトリクス空間を介して各ビュー間の構造的一致性を活用することで、クラスタリング性能を向上させること。
• 任意の既存のグラフクラスタリング手法と互換性を持たせ、ペアのない状況におけるそれらのロバスト性を向上させること。

提案手法

• 局所的およびグローバルな構造を保持する柔軟なグラフクラスタリングアルゴリズムを用いて、各ビューごとに個別のグラフを構築する。
• 同じメトリクス空間にないクロスビューのデータをアライメントするための共有空間を構築し、ビュー間比較を可能にする。
• 構造的類似性に基づいてクロスビュー対応関係を精緻化するため、二重にストキャスティックな投影を施した固定点法を適用する。
• 再構成損失に基づくビュー選択戦略（RCM）を用いて、アライメントに最も有用なビューを同定する。
• 精緻化された対応関係を用いてグラフ統合を行い、クラスタリング用のコンSENSUSグラフを生成する。
• 再構成損失に基づくビュー重み付け戦略を採用し、異なるビューに動的かつ適切な重要度を割り当てる。

実験結果

リサーチクエスチョン

• RQ1 事前に定義されたアライメントに依存せずに、完全および部分的なペアのないマルチビュークラスタリングの両方を効果的に処理できるパラメータフリーのフレームワークは存在するか？
• RQ2 ペアのない状況下で、各ビューからの構造的情報を統合することで、クロスビュー対応関係学習はどのように向上するか？
• RQ3 ビュー選択および重み付け戦略の影響は、ペアのない状況におけるクラスタリング性能にどのように現れるか？
• RQ4 構造的マッチングは、特徴量のみのアライメントに比べて、ペアのないマルチビュークラスタリングでどれほど優れているか？
• RQ5 提案された最適化フレームワークは、異なるデータセットおよびペアのない割合の下でも、どれほど安定的かつ収束性を示すか？

主な発見

• UPMGC-SMは高いクロスビューアライメント精度を達成しており、3SourcesデータセットではMACC@10が80％を超えており、50イテレーション以内で安定している。
• 本フレームワークは、ペアありおよびペアなしの両方のデータセットで優れたクラスタリング性能を示し、ほとんどのベンチマークで最先端手法を上回っている。
• 目的関数は単調に減少し、50イテレーション以内に収束しており、最適化の安定性が裏付けられている。
• 最小再構成損失に基づくビュー選択戦略（RCM）は、9つのベンチマークデータセットすべてで一貫して性能向上をもたらしている。
• 学習されたビュー係数は非スパースであり、各ビューで異なる値を示しており、補完的情報を効果的に統合していることが確認された。
• ビュー重み付け戦略は、大多数のデータセットでクラスタリング結果を顕著に改善しており、他のデータセットでも同等の性能を示しており、そのロバスト性と適応性が裏付けられている。