多视图聚类在跨模态表示学习和数据驱动决策方面具有重要影响;然而,随着对比学习在计算机视觉领域的不断发展,自监督学习也在多视图聚类方法中逐渐占主导地位。该论文探讨了自监督多视图聚类的原因、优势以及常见数据集、数据问题、表示学习方法和自监督学习方法的内部联系和分类,并介绍了各类方法的机制和应用示例。最后,提出了一些待进一步研究和发展的开放性问题。
Sep, 2023
提出了一种名为 Sufficient Multi-View Clustering (SUMVC) 的新方法,该方法从信息理论的角度考察多视图聚类框架,通过开发简单可靠的多视图聚类方法和提出足够的表示下界,解决了多视图聚类中的冗余信息和一致信息问题,为多视图数据分析提供了新的角度和有前景的解决方案。
本文提出一种深度多视角聚类 (Multi-view Clustering) 框架,将数据恢复和对齐融合在一个层次一致的方式中,通过最大化不同视角之间的互信息,并确保它们的潜在空间的一致性来解决多视角数据在现实世界应用中的视角缺失和不对齐问题。实验结果表明,我们的方法在多视角聚类中显著优于现有方法,即使在视角缺失和不对齐的情况下也是如此。
Oct, 2023
本文提出了一种跨视角对比学习(CVCL)方法,该方法利用深度自编码器将视角相关特征提取出来,通过对多个视角下的聚类结果对比来学习视角不变性表示,并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息,从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。
Apr, 2023
我们提出了一个全新的基于深度学习的多视角聚类框架,通过学习有意义的融合数据表示和一致的伪标签,实现对通用数据的聚类分析任务的改进。
Feb, 2024
本研究提出 GP-MVC 模型,通过生成缺失视图的数据来解决不完整的多视角聚类问题,使用多视角编码器网络和生成对抗网络学习共享表示和生成缺失数据,并利用加权自适应融合方案来利用不同视图的互补信息。通过实验证明,该方法在四个基准数据集上优于现有的多视图聚类方法。
Mar, 2020
本研究介绍了一种名为 MVMC 的多视图多聚类算法,将自表示学习应用于多视图数据中,使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息,再采用矩阵分解生成多个高质量多样性聚类,并进一步扩展到多视图多共聚类(MVMCC)。实验结果表明,本方法在多视图数据中生成的多样性聚类(共聚类)优于当前现有的算法。
May, 2019
本文提出了多种有效的多视角学习方法,并将它们分为三类:共同训练,多核学习和子空间学习,并利用共识原则或互补原则来确保多视角学习的成功。
Apr, 2013
本文提出了一种深度嵌入式多视图聚类方法,其中包括对多视图的共识和互补性的考虑以及一种新的协作训练方案,并针对多视图聚类性能进行了实验性结果分析。
Jul, 2020
提出了一种新的多视角分类方法:可信的多视角分类,该算法动态集成不同视图的证据,以提高分类的可靠性和鲁棒性,通过将来自每个视图的证据参数化为 Dirichlet 分布并与 Dempster-Shafer 理论相结合,构建统一框架来感知和评估样本的分类不确定性。
Feb, 2021