[논문 리뷰] A Survey on Multi-View Clustering

Guoqing Chao, Shiliang Sun외 1명|arXiv (Cornell University)|2017. 12. 18.

Face and Expression Recognition참고 문헌 134인용 수 119

한 줄 요약

이 설문은 다중 시야 클러스터링(MVC) 방법을 검토하고 분류 설계를 제시하며, 생성적과 판별적 접근을 구분하고 다섯 가지 판별 클래스를 상세히 설명하고, 관련 패러다임, 응용 및 향후 미해결 문제를 다룹니다.

ABSTRACT

With advances in information acquisition technologies, multi-view data become ubiquitous. Multi-view learning has thus become more and more popular in machine learning and data mining fields. Multi-view unsupervised or semi-supervised learning, such as co-training, co-regularization has gained considerable attention. Although recently, multi-view clustering (MVC) methods have been developed rapidly, there has not been a survey to summarize and analyze the current progress. Therefore, this paper reviews the common strategies for combining multiple views of data and based on this summary we propose a novel taxonomy of the MVC approaches. We further discuss the relationships between MVC and multi-view representation, ensemble clustering, multi-task clustering, multi-view supervised and semi-supervised learning. Several representative real-world applications are elaborated. To promote future development of MVC, we envision several open problems that may require further investigation and thorough examination.

연구 동기 및 목표

• 다중 시야 클러스터링(MVC)의 최신 상태와 동기에 대해 요약합니다.
• MVC 방법을 의미 있는 범주로 조직하기 위한 분류 체계를 제안합니다.
• MVC와 관련 학습 패러다임(예: 표현 학습, 앙상블 클러스터링, 다중 작업 학습) 간의 관계를 논의합니다.
• 다양한 도메인에서의 대표적 응용을 강조하고 향후 연구를 위한 미해결 문제를 식별합니다.

제안 방법

• MVC 방법을 생성적(모델 기반)과 판별적(유사도 기반) 접근으로 분류합니다.
• 판별적 MVC 내부에서 다중 시야의 결합 방식에 따라 다섯 가지 클래스로 추가 분류합니다: 공통 고유벡터 행렬, 공통 계수 행렬, 공통 지시자 행렬, 직접 시야 결합, 투영 후 시야 결합.
• 대표 기법으로 다중 시야 스펙트럴 클러스터링, 다중 시야 부분공간 클러스터링, 다중 시야 NMF, 다중 커널 클러스터링, CCA 기반 방법 등을 설명합니다.
• 각 클래스가 시야 간 일관된 클러스터링을 달성하기 위해 목표 함수를 구성하고 최적화하는 방법을 설명합니다.
• 생성적 MVC에서 혼합 모델과 EM의 사용 및 다중 시야 확장을 사용하는 KL-발산 최소화를 통한 CMM 및 다중 시야 확장을 설명합니다.

실험 결과

연구 질문

• RQ1 MVC에서 다중 시야를 결합하는 주요 전략은 무엇인가요?
• RQ2 MVC를 일관된 클래스로 어떻게 분류할 수 있으며 각 클래스의 대표적 방법은 무엇인가요?
• RQ3 MVC와 다중 시야 표현, 앙상블 클러스터링, 다중 작업 학습과 같은 관련 영역 간의 관계는 무엇인가요?
• RQ4 현재 MVC 현황을 특징짓는 응용 및 미해결 문제는 무엇인가요?

주요 결과

• MVC 방법은 크게 판별적이며, 시야 결합의 다섯 가지 클래스를 포함하는 명확한 분류 체계를 가집니다.
• 생성적 MVC는 시야 간 클러스터링을 달성하기 위해 혼합 모델과 EM, 다중 시야 CMM 확장을 활용합니다.
• MVC와 다중 시야 표현, 앙상블 클러스터링, 다중 작업 클러스터링, 다중 시야 감독/반감독 학습 간의 강한 연관성이 있습니다.
• MVC는 컴퓨터 비전, 자연어 처리, 소셜 멀티미디어, 생물정보학, 건강 정보학 등 여러 도메인에 적용되었습니다.
• 본 설문은 향후 MVC 개발을 위한 미해결 문제를 제시합니다.