In the collaborative clustering framework, the hope is that by combining several clustering solutions, each one with its own bias and imperfections, one will get a better overall solution. The goal is that each local computation, quite possibly applied to distinct data sets, benefits from the work done by the other collaborators. This article is dedicated to collaborative clustering based on the Learning Using Privileged Information paradigm. Local algorithms weight incoming information at the level of each observation, depending on the confidence level of the classification of that observation. A comparison between our algorithm and state of the art implementations shows improvement of the collaboration process using the proposed approach.
许多机器学习算法假设所有输入样本独立且相同地分布于输入空间X（在无监督学习的情况下）或输入和输出空间X X Y（在监督和半监督学习的情况下）上的某个公共分布。在过去的几年里，人们已经探索了这种假设的放松，并且在机器学习算法中并入附加信息的重要性变得更加明显。传统上，这种信息融合是半监督学习的领域。最近，Vapnik提出将来自不同假设空间的知识纳入监督设置。在这项工作中，我们有兴趣探索Vapnik的大师级学习的想法和相关的学习使用特权信息，但在无监督的设置。采用先进的监督学习范式的无监督设置煽动调查特权和技术数据之间的差异。通过我们提出的aRi-MAX方法，提高了KMeans算法的稳定性，并在人工数据集上实现了最佳聚类解的识别。在此基础上，提出了一种基于信息论点积的P-Dot算法。该方法能够单独或组合地利用各种聚类技术，同时融合特权和技术数据以改进聚类。将P-Dot方法应用于数字识别任务证实了我们在现实场景中的发现。
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）；Facebook AI Research（Facebook人工智能研究院）；Columbia University（哥伦比亚大学）
Adaptive Collaborative Similarity Learning for Unsupervised Multi-view Feature Selection
Shandong Normal University（山东师范大学）；Shandong University（山东大学）；University of Electronic Science and Technology of China（电子科技大学）；National University of Singapore（新加坡国立大学）
Sequential Minimal Optimization Algorithm for One-Class Support Vector Machines With Privileged Information
Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究所）；Institute for Information Transmission Problems of Russian Academy of Sciences (IITP RAS)（俄罗斯科学院信息传输问题研究所）；Artificial Intelligence Research Institute (AIRI)（人工智能研究所）
CFEA: Collaborative Feature Ensembling Adaptation for Domain Adaptation in Unsupervised Optic Disc and Cup Segmentation
University of Florida（佛罗里达大学）；UNC Charlotte（北卡罗来纳大学夏洛特分校）；Xi’an Jiaotong University（西安交通大学）；Sensetime Research（商汤科技研究院）
最近，深度神经网络在注释良好的数据集中表现出与董事会认证的眼科医生相当甚至更好的性能。然而，视网膜成像设备的多样性带来了一个重大挑战：域转移，这导致在将深度学习模型应用于新的测试域时性能下降。在本文中，我们提出了一种新的无监督域自适应框架，称为协作特征集成自适应（CFEA），以有效地克服这一挑战。我们提出的CFEA是一个交互式的范例，通过对抗学习和集成权重呈现出一种精致的协作适应。特别是，我们同时实现了域不变性，并保持了历史预测的指数移动平均值，这通过在训练期间集成权重来实现对未标记数据的更好预测。在不注释来自目标域的任何样本的情况下，编码器和解码器层中的多个对抗性损失引导域不变特征的提取，以混淆域分类器，同时有利于平滑权重的集成。综合实验结果表明，我们的CFEA模型可以克服性能下降，并优于国家的最先进的方法在分割视网膜视盘和杯眼底图像。\textit{Code is available at \url{https://github.com/cswin/AWC}}。
Clustering Bioactive Molecules in 3D Chemical Space with Unsupervised Deep Learning
National University of Singapore（新加坡国立大学）；Tsinghua University（清华大学）；Shenzhen Kivita Innovative Drug Discovery Institute（深圳科维塔创新药物发现研究院）；Zhejiang University（浙江大学）；China Pharmaceutical University（中国药科大学）；Shanghai Kudai Network Technology Co., Ltd.（上海酷袋网络科技有限公司）
Attributed Graph Clustering in Collaborative Settings
School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院）；School of Cyber Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；antgroup（蚂蚁集团）
