多视角多聚类
本文提出了一个深度不完全多视图多聚类 (DiMVMC) 框架来处理多视图数据不完整问题,并通过优化多组解码器深度网络来实现数据视图和多个共享表示的同时完成。实验表明,DiMVMC 在生成高质量,多样性的多个聚类方面优于现有的同类竞争对手。
Oct, 2020
多视角数据提供了比传统单视角数据更丰富的信息,多视角聚类算法旨在发现多视角数据之间共享的潜在结构,但现有方法往往没有充分利用多视角数据之间的横向协作,本文提出了一种基于横向协作的联合多视角协同聚类方法 (JMVCC),包括使用非负矩阵分解 (NMF) 和横向协作原则生成基本分区,以及使用集成聚类方法融合这些局部分区,同时提出一种加权方法来降低低质量视角对生成和融合局部分区的负面影响,实验证明 JMVCC 在各种数据集上优于其他多视角聚类算法,对噪声视角具有鲁棒性。
Oct, 2023
本论文总结并分析了目前多视角聚类(MVC)方法的常见策略,并提出了一种新的 MVC 方法分类。我们进一步讨论了 MVC 与多视图表示、集成聚类、多任务聚类、多视图监督和半监督学习之间的关系,并详细阐述了几个代表性实际应用。为了推进将来 MVC 的发展,我们设想了一些可能需要进一步研究和深入考虑的开放性问题。
Dec, 2017
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
本文介绍了一种自动加权的多视角聚类算法,使用矩阵分解来解决维度固定的一致系数矩阵和视角特定基矩阵的限制,并采用六步交替优化算法进行优化,最终的聚类结果表现出优异的性能。
Jan, 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。
Sep, 2023
提出了一种多视角聚类方法,它使用矩阵分解实现低复杂度且高效率的多视角聚类,并在自我监督学习的基础上利用多样的表示方法,避免二阶段过程,在多维度下开展信息聚合,并使用 $k$-means 进行统一聚类,得出了在各种数据集上优越的聚类性能表现。
Jun, 2023