# Multi-view Semantic Consistency based Information Bottleneck for Clustering

**Authors:** Wenbiao Yan, Jihua Zhu, Yiyang Zhou, Yifei Wang, Qinghai Zheng  
**arXiv:** [2303.0002](https://arxiv.org/abs/2303.0002)  
**Date:** 2023-02-28  
**Summary page:** https://www.summarizepaper.com/fr/paper/2303.0002v1/

## Key points

- La classification multi-vue utilise des informations de plusieurs sources pour la classification non supervisée.
- La plupart des méthodes existantes ignorent l'influence des informations privées et du bruit.
- Le MSCIB introduit un nouveau goulot d'étranglement d'information basé sur la cohérence sémantique multi-vue pour la classification.
- Le MSCIB poursuit une cohérence sémantique pour améliorer le processus d'apprentissage du goulot d'étouffement de l'information pour différentes vues.
- Le MSCIB effectue l’opération d’alignement de plusieurs vues dans l’espace sémantique et atteint conjointement les informations cohérentes précieuses des données multi-vues.
- La cohérence sémantique apprise à partir de données multi-vues peut amener à une meilleure distinction entre les informations cohésives et apprendre une représentation unifiée avec des informations plus discriminatoires pour la classification.
- Des expériences montrent que le MSCIB atteint une performance optimale sur divers types d'ensembles de données multi-vues.
- Les auteurs soulignent que la plupart des méthodes existantes ne tiennent pas compte des informations privées et du bruit lorsqu'ils apprennent une matrice de représentation fusionnée.
- Leur méthode MSCIB résout ce problème en recherchant une cohésion sémantique afin d'aménager le processus d'apprentissage du goulot d'étouffement de l'information pour différentes vues.
- Ils ont également expliqué que leur méthode effectue l’opération d’alignement dans l’espace sémantique afin qu’elle puisse atteindre conjointement les informations cohérentes précieuses des données multi-vues.
- Les résultats expérimentaux montrent que leur méthode est supérieure aux autres méthodes existantes en termes de performance sur divers types d'ensembles de données multi-vues.

## Summary

La classification multi-vue peut utiliser des informations provenant de plusieurs sources pour la classification non supervisée. La plupart des méthodes existantes se concentrent sur l'apprentissage d'une matrice de représentation fusionnée, en ignorant l'influence des informations privées et du bruit. Pour remédier à cette limitation, nous introduisons un nouveau goulot d'étranglement d'information basé sur la cohérence sémantique multi-vue pour la classification (MSCIB). Plus précisément, le MSCIB poursuit une cohérence sémantique pour améliorer le processus d'apprentissage du goulot d'étouffement de l'information pour différentes vues. Il effectue l’opération d’alignement de plusieurs vues dans l’espace sémantique et atteint conjointement les informations cohérentes précieuses des données multi-vues. De cette manière, la cohérence sémantique apprise à partir de données multi-vues peut amener à une meilleure distinction entre les informations cohésives et apprendre une représentation unifiée avec des informations plus discriminatoires pour la classification. Des expér iences men é es sur divers types d 'ensembles de donn é es multi - vues montrent que le MSCIB atteint une performance optimale. En outre, les auteurs Wenbiao Yan , Jihua Zhu , Yiyang Zhou , Yifei Wang et Qinghai Zheng ont soulign é que la plupart des m é thodes existantes ne tiennent pas compte des informations priv é es et du bruit lorsqu 'ils apprennent une matrice de repr é sentation fusionn é e . Leur m é thode MSCIB r és out ce probl è me en recherchant une coh és ion s én antique afin d 'am én ager le processus d 'apprentissage du goulot d 'étouffement de l 'information pour diff é rentes vues . Ils ont également expliqu é que leur m é thode effectue l ’ op é ration d ’ alignement dans l ’ espace s é mantique afin qu ’ elle puisse atteindre conjointement les informations coh é rentes pr é cieuses des donn é es multi - vues . Les r ‚¹sultats exp ‚¹rimentaux montrent que leur m ‚¹thode MSCIB est sup ‚¹rieure aux autres m ‚¹thodes existantes en termes de performance sur divers types d 'ensembles de donn ‚¹es multi - vues .