粒度ボール（グラニュラボール）ベースのトポロジ構築、特徴強化、インタラクティブ融合による一貫性を完全に活用したマルチビュー・グラフ畳み込みネットワーク
arXiv cs.CV / 2026/3/31
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、マルチビュー学習が「一貫性（consistency）」を活用することで大きな恩恵を得られる一方で、既存のGCNベース手法では、グラフ・トポロジ、ビュー内の特徴整合、そしてビュー間での融合が行われる際の条件に関する制約により、一貫性の活用が十分ではないと主張している。
- 提案手法MGCN-FLCは、一般的なKNNベースのトポロジ構築を、内部の類似度が高いノードをクラスタリングすることでノード間の一貫性をより適切に捉える粒度ボール（グラニュラボール）ベースのアプローチに置き換える。
- 各ビュー内での特徴間の一貫性を明示的にモデル化するための特徴強化モジュールを追加し、埋め込み品質の向上を図る。
- さらに、ビュー同士が深く相互作用できるインタラクティブ融合メカニズムを導入し、単なる事後的な埋め込み融合よりもビュー間の一貫性を効果的に活用することを狙う。
- 9つのデータセットにわたる実験の結果、MGCN-FLCは半教師ありノード分類における最先端手法よりも性能が向上することが示されている。
