15.09.2023, 10:00 Uhr

Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien

Titel: „Deep Multi-view Clustering via Variational Autoencoders:
Disentangling cluster-relevant from cluster-irrelevant
information“

Kurzfassung:
Multi-view Clustering (MvC) hat in den letzten Jahren stark an Bedeutung gewonnen. In
Multi-view Clustering werden einzelne Objekte durch mehrere Views beschrieben und es
zielt darauf ab, diese Views zu nutzen, um Clusterstrukturen zu finden, die in mehreren
Views vorhanden sind und somit die Leistung von Clustering Algorithmen verbessern.
Die Leistung von MvC-Algorithmen hängt stark von den erlernten Repräsentationen
der einzelnen Views und der Fusion-Operation ab, die verwendet wird, um eine gemeinsame
Repräsentation zu bilden. Unsere Arbeit befindet sich an der Schnittstelle der
Forschungsbereiche Multi-View Clustering, Fusion und Representation Learning. Zu
diesem Zweck schlagen wir den Correlated Multi-view Variational Autoencoder (CMVAE)
vor, ein probabilistisches Modell für Multi-view Clustering. Unsere Methode besteht
aus zwei Hauptkomponenten. Wir verwenden Variational Autoencoder (VAE) in einem
multi-view Setting, um latente Repräsentationen aus multi-view Daten zu lernen. Wir
kombinieren den multi-view VAE mit Deep Canonical Correlation Analysis (DeepCCA),
um sowohl cluster-relevante als auch cluster-irrelevante Informationen aus zwei Ansichten
zu lernen. Um es dem latenten Raum zu ermöglichen, komplexere Verteilungen zu repräsentieren,
erweitern wir CMVAE mit einem Gaussian mixture Prior. In umfangreichen
Experimenten mit Benchmark- und realen multi-view Datensätzen vergleichen wir unsere
Methoden mit mehreren State-of-the-Art Methoden im Bereich Multi-view Clustering und
Multi-view Fusion und erzielen kompetetive Ergebnisse. In weiteren Experimenten geben
wir tiefere Einblicke in CMVAE und die Beziehung zu Multi-view Fusion und Multi-view
Representationlearning.