《Deep Fusion Clustering Network》启发

已于 2024-03-26 10:10:34 修改
阅读量1.2k 收藏 48
点赞数 21
文章标签： 学习 机器学习 人工智能 聚类
于 2024-03-22 20:51:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_46114999/article/details/136920050
版权

在想第二个点的时候，想到这篇论文，看看从中能不能提取什么内容加入到现有模型中

Abstract

观点

将AE和图神经网络结合起来，利用结构信息提高性能

现有问题

  1. dynamic fusion mechanism
    选择性的整合图结构信息和属性信息进行共识学习
  2. robust target distribution n (i.e., “groundtruth” soft labels)
    说是无法从两边（属性信息+结构信息？）提取信息来生成鲁棒的目标分布
    我理解的是类似DEC的KL散度

做法

  1. 提出基于相互依赖学习的结构和属性信息融合模块，显示合并AE和GAE
  2. 设计一个目标分布生成度量和三重自监督，便于跨模态信息利用

Intro

深度聚类的性能：决定于优化目标和特征提取的方式

Two important factors, i.e., the optimization objective and the fashion of feature extraction, significantly determine the performance of a deep clustering method

之前的方法的问题：

  1. 缺乏跨模态动态信息的融合和处理机制，只是简单对其或连接，信息交互不足（21年的论
最低0.47元/天 解锁文章
Flame5376
关注
【PaperReading】AGCN: Attention-driven Graph Clustering Network
小哲的博客
09-26 859
and the.在聚类问题中，传统的卷积网络模型（如自动编码器（auto-encoder， AE））和图卷积网络（graph convolutional network, GCN）的整合方法吸引了很多人的注意，其中使用自动编码器用以提取节点的属性特征，使用图卷积网络捕获图的拓扑特征。（i）缺乏灵活的组合机制来自适应地融合这两种特征，最终去学习判别性表示（ii）忽略不同层 embedding 的多尺度信息，进行后续的聚类分配导致聚类结果较差。为此，提出了一种新的深度聚类方法，称为。
Structural Deep Clustering Network 摘要速览
_Hope_
04-01 817
https://arxiv.org/pdf/2002.01633.pdf Clustering is a fundamental task in data analysis. Recently, deep clustering, which derives inspiration primarily from deep learning approaches, achieves state-of-...
DFCN:深度融合集群网络
05-26
纸 论文“深度融合集群网络”的源代码 图W.涂，周S.，刘X.，郭X，蔡Z. 被AAAI2021接受。 安装 克隆此仓库。 git clone https://github.com/WxTu/DFCN.git Windows 10或Linux 18.04 的Python 3.7.5 脾气暴躁的1.18.0 斯克莱恩0.21.3 火炬视觉0.3.0 Matplotlib 3.2.1 准备 我们总共采用了六个数据集，包括三个图形数据集（ACM，DBLP和CITE）和三个非图形数据集（USPS，HHAR和REUT）。 要在这些数据集上训练模型，请从（访问代码：4622）或下载它们。 代码结构与用法 在这里，我们提供了PyTorch中的深度融合集群网络（DFCN）的实现，以及DBLP数据集上的执行示例（由于文件大小的限制）。 该存储库的组织方式如下： load_data.py
文献阅读（66）AAAI2021-Deep Fusion Clustering Network
优快云TianJi的博客
02-26 1209
本文是对《Deep Fusion Clustering Network》一文的浅显翻译与理解，如有侵权即刻删除。
AAAI-2021《Deep Fusion Clustering Network》
Christo的博客
04-29 633
Deep Fusion Clustering Network”是一篇创新性强的深度聚类研究工作，发表在 AAAI 2021。其通过动态融合机制和自监督策略，克服了传统方法在信息整合和目标分布生成上的不足。目标函数设计合理，优化过程分阶段进行，确保了网络学习到高质量的聚类表示。主要贡献在于提出了新的网络架构和训练策略，并在理论与实验上展示了优越性。这篇论文为深度聚类领域提供了新的思路和方法，具有重要的学术价值。
论文阅读09——《Deep Fusion Clustering Network》
小吴不会敲代码吧
11-22 1711
本文对《Deep Fusion Clustering Network》进行了分析，该方法提出了一个基于相互依赖学习的结构和属性信息融合(SAIF)模块，该模块将自动编码器和图自动编码器学习的表示显式合并，用于一致性表示学习。 针对网络训练，设计了一种可靠的目标分布生成方法和一种便于跨模态信息开发的三重自监督策略。
论文阅读“Deep fusion clustering network”（AAAI2021）
qq_43497436的博客
05-01 1601
论文标题 Deep fusion clustering network 论文作者、链接 作者：Tu, Wenxuan and Zhou, Sihang and Liu, Xinwang and Guo, Xifeng and Cai, Zhiping and Cheng, Jieren and others 链接：https://arxiv.org/abs/2012.09600 代码：GitHub - WxTu/DFCN: AAAI 2021-Deep Fusion Clustering Net
论文阅读：Deep Fusion Clustering Network With Reliable Structure Preservation
dundunmm的博客
12-25 1613
深度聚类通过优雅地利用数据表示来寻找样本的划分，已引起广泛关注。最近，将自编码器（AE）与图神经网络（GNNs）结合，通过引入数据中隐含的结构信息，在聚类任务中取得了优秀的表现。然而，作者观察到大多数现有方法存在一些局限性：1）在实际的图数据集中，节点之间存在一些噪声或不准确的连接，这会干扰网络学习并导致偏差的表示，从而导致聚类性能不理想；2）缺乏动态信息融合模块，未能仔细结合和优化节点属性与图结构信息，进而学习到更一致的表示；3）未能充分利用两个分离视图的信息，以生成更稳健的目标分布。
【论文阅读】Deep Distributed Fusion Network for Air Quality Prediction
weiwanshu的专栏
02-26 2127
Deep Distributed Fusion Network for Air Quality Prediction 摘要：基于对大气污染的领域知识，提出了一种基于深度神经网络（DNN）的方法（Deep-air），该方法由空间变换组件和深度分布式融合网络组成。考虑到大气污染物的空间相关性，组件将空间稀疏的空气质量数据转换为一致的输入，以模拟污染物源。后一种网络采用神经分布式结构，融合城市异质数据...
论文解读（AGCN）《 Attention-driven Graph Clustering Network》
「 虚幻私塾」
02-18 2716
Python微信订餐小程序课程视频 https://edu.youkuaiyun.com/course/detail/36074 Python实战量化交易理财系统 https://edu.youkuaiyun.com/course/detail/35475 Paper Information Title：《Attention-driven Graph Clustering Network》Authors：Zhihao Peng, Hui Liu, Yuheng Jia, Junhui HouSource：2021, ACM Mu
【论文笔记】WWW2020 Structural Deep Clustering Network 结构化的深度聚类网络
Sonya_的博客
02-22 2403
作者： 摘要： 聚类是数据分析中一个基础任务。最近，深度聚类（从深度学习方法中获取到主要的灵感）取得了领先的效果，并且吸引了很多的注意力。目前的深度聚类方法一般通过深度学习强大的表示能力提升聚类的结果，例如，自动编码器表明，对聚类来说学到一个有效的表示是必须的。深度聚类方法的能力在于能够从数据本身抽取出有用的表示，而不是数据的结构，这一点在表示学习中很少受到关注。受到GCN成功编码图结构的...
Deep Multimodal Subspace Clustering Networks 翻译
shaodongheng的博客
01-07 2432
Deep Multimodal Subspace Clustering Networks 翻译 摘要 我们提出了基于卷积神经网络（CNN）的无监督多模态子空间聚类方法。所提出的框架包括三个主要阶段 - 多模态编码器，自我表示层和多模态解码器。编码器将多模态数据作为输入并将它们融合到潜在空间表示中。自我表达层负责实施自我表示属性并获取对应于数据点的亲和度矩阵。解码器重建原始输入数据。网络在训练中...
Structural Deep Clustering Network阅读与翻译
ziqingnian的博客
11-07 2556
文章作者信息： Structural Deep Clustering Network 结构化深度聚类网络 深度聚类算法SDCN，首次将GNN用到聚类上，由北邮、腾讯和清华联合发表在WWW2020上。 Abstract Deep clustering(deep learning approaches)将深度学习强大的表征能力融入到聚类任务中。有效的学习数据的表征是深度聚类的关键。但是现有的工作仅关注数据自身的特性，在学习表征(representation learning)时很少考虑数据的结构。基
【AAAI 2021】全部接受论文列表（二）
yinizhilianlove的博客
01-14 6562
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2021-01-14 马上春节了，疫情又卷土而来，希望大家注意防护，爱护自己的身体 AAAI 2021论文接收情况   人工智能顶级会议AAAI 2021 已经给出接收论文列表，共有1692篇论文被接收，录取率21%，比去年的20.6%稍微有些上升。单从数量上看，也比去年多了101篇。本届 AAAI 2021已经是第35 届会议了。据 AAAI 2021官方网站，这个 2021年首个人工智能顶会将全.
Python Day44 学习（日志Day12复习）
Y317429的博客
06-07 322
注：这里AI给出的“适用场景”存在问题。关于性别，为二分类问题，不需要使用独热编码。三分类以上才涉及独热编码。出现问题：忘记之前已对数据进行了独热编码，导致映射出来的值为空值。对信贷数据重新进行标签编码（回写昨日复习的代码）对信贷数据重新进行标签编码（回写昨日复习的代码）补充：对数据进行“归一化”和“标准化”的作用。补充：“独热编码”与“标签编码”的选择。
Vim 高亮命令完整学习笔记
最新发布
面朝大海
06-10 429
Vim 作为强大的文本编辑器，提供了丰富的搜索和高亮功能。掌握这些命令可以大大提高文本处理效率。本文将系统介绍 Vim 的高亮搜索命令和正则表达式的使用。
Java入门学习详细版（二）
又菜又爱写
06-10 398
本文系统介绍了Java编程中控制流和面向对象编程的核心内容。控制流部分详细讲解了条件语句（if-else、switch-case）和循环结构（for、while、do-while）的使用方法及其控制语句（break、continue、return）。面向对象部分重点阐述了类和对象的概念，包括类定义、属性、方法、构造方法，以及面向对象的四大特性：封装、继承、多态和抽象。文章还介绍了Java标准库中常用类的使用方法，如String、数组、包装类等，为Java编程提供了基础指导。
Linux驱动学习day2
weixin_71568456的博客
06-06 339
app与驱动之间，通过下面两个函数交互数据驱动和硬件之间交互。
给我推荐20个比流行的多模态模型
08-31
### 回答1： 很高兴为您推荐这些多模态模型！这里是20个推荐的模型： 1. 基于内容的协同过滤（Content-based Collaborative Filtering） 2. 协同过滤（Collaborative Filtering） 3. 基于图的协同过滤（Graph-based Collaborative Filtering） 4. 基于协同过滤的自动标注（Collaborative Filtering-based Automatic Tagging） 5. 多任务学习（Multi-task Learning） 6. 多模态降维（Multi-modal Dimensionality Reduction） 7. 多模态聚类（Multi-modal Clustering） 8. 多模态神经机器翻译（Multi-modal Neural Machine Translation） 9. 多模态信息检索（Multi-modal Information Retrieval） 10. 多模态文本分类（Multi-modal Text Classification） 11. 多模态文本生成（Multi-modal Text Generation） 12. 多模态语音识别（Multi-modal Speech Recognition） 13. 多模态情感分析（Multi-modal Sentiment Analysis） 14. 多模态视觉问答（Multi-modal Visual Question Answering） 15. 多模态视觉对话（Multi-modal Visual Dialogue） 16. 多模态视觉描述（Multi-modal Visual Description） 17. 多模态视觉目标检测（Multi-modal Visual Object Detection） 18. 多模态图像生成（Multi-modal Image Generation） 19. 多模态图像分类（Multi-modal Image Classification） 20. 多模态图像检索（Multi-modal Image Retrieval） 希望这些模型能对您有所帮助！ ### 回答2： 以下是推荐给您的20个比较流行的多模态模型： 1. FusionNet：将多个模态的信息进行融合的神经网络模型。 2. CMTF：基于张量分解的多模态数据建模方法。 3. M3N：结合多模态特征的最大间隔马尔科夫网络模型。 4. DeepFuse：基于深度学习的多模态图像融合模型。 5. MMFA：基于因子分析的多模态因子模型。 6. TriModalNet：结合图像、文本、语音多模态信息的神经网络模型。 7. Cross-Modal Retrieval：用于跨模态检索任务的模型。 8. TRL：基于图像文本关系知识的多模态迁移学习模型。 9. Multi-Channel Compact Bilateral Attention Network：用于视频目标检测的多模态模型。 10. Mixture of Experts：结合多个模态的专家模型。 11. Multi-modal Transformer：使用Transformer模型结合多模态信息进行任务建模。 12. Multi-modal Variational Autoencoder：结合变分自编码器的多模态生成模型。 13. Bi-STMM：结合文本和图像信息的时空多模态建模模型。 14. Multi-model Deep Neural Networks：结合多个深度神经网络模型的多模态学习方法。 15. Dual-bootstrap AutoEncoders：用于图像和文本的多模态特征学习模型。 16. Multimodal Partial Least Squares Regression：用于多模态数据回归建模的模型。 17. HMTL：基于混合注意力机制的多模态迁移学习模型。 18. Deep Cross-Modal Hashing：用于多模态数据哈希学习的深度模型。 19. DeepSES：多模态情感分析任务中的深度学习模型。 20. MVAE-GAN：结合变分自编码器和生成对抗网络的多模态生成模型。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值