May, 2020

非对齐不完全多视角和缺失多标签学习的简明但有效模型

PDF
TL;DR本论文致力于通过建立一种简洁而有效的模型来攻克学习来自多视角多标签数据的三大挑战：缺失标签、不完整视角和非对齐视角。我们利用多视角的一致性以及多个标签之间的全局和局部结构来缓解可用标签的不足。我们的实验结果表明，在五个真实数据集上，即使在没有视角对齐的情况下，我们的方法在性能上也显着优于最先进的视角对齐方法。
发现论文，激发创造
  • 结构化和非同构输出的多视角学习

    本文提出了一种新的概率多视图学习算法，利用视图间的随机一致性作为正则化，该算法在结构化和非结构化问题上工作，并容易推广到部分一致情况，其中在完全一致情况下，我们的算法最小化每个视图模型之间的 Bhattacharyya 距离，并在几个平面和结构化分类问题上表现优越。

    Jun, 2012

  • 本地稀疏不完全多视角聚类

    本文针对在多视角数据的部分视角缺失下进行聚类的问题，提出了一种名为 LSIMVC 的简洁、高效的方法，其通过实现稀疏规则和新颖的图嵌入多视角矩阵分解模型，从不完整的多视角数据中学习出一种稀疏的结构化共识潜在表征。

    Aug, 2022

  • 基于标签引导的遮蔽图像和类别感知变形器的不完整多视图多标签学习

    本文提出了一种基于 transformer 的多视图多标签学习框架，以解决多视图数据和多标签注释于模式识别中的应用。该框架通过设计两个基于 transformer 的模块对特征进行聚合和分类，并提出一种自适应视图融合模块解决视图表达的不平衡性，同时将标签约束到样本级表示学习中。五个数据集上的实验证实了该方法的有效性。

    Mar, 2023

  • 基于图正则化矩阵分解的不完整多视图聚类

    提出了一种使用本地信息和视图之间的互补信息来学习所有样本的通用潜在表示的简单方法，通过对每个视图的基础矩阵施加正交约束，该方法能够处理缺失视图的多视图聚类和分类任务，并证明在多个多视图数据集上能显著提高聚类性能。

    Sep, 2018

  • 在线多视角聚类算法（不完整视角）

    该论文提出了一种基于非负矩阵分解的在线多视图聚类算法（OMVC），可以处理大规模和不完整的视图数据，并通过动态权重和损失规范提高聚类效果。

    Nov, 2016

  • 深度局部多视角学习

    提出跨部分多视角网络（CPM-Nets）框架，通过模拟数据传输实现多视角表征的完整性，并通过对抗策略稳定地翻译丢失视图的代价与补充性进行结构化编码，进一步增强数据的完整性，同时引入非参数分类损失，以防止过度拟合。全面实验证明了该算法在分级识别、表示学习和数据填充方面的优越性。

    Nov, 2020

  • 双重对齐不完全多视图聚类

    本文提出了一种基于加权半非负矩阵分解的双重对准不完整多视图聚类算法（DAIMC），通过利用实例对齐信息学习所有视图的公共潜在特征矩阵，并通过 L2,1 - 范数正则化回归建立共识基矩阵，从而解决了视图不完整性问题，并减少视图不完整对聚类的影响。实验表明，方法有很好的优势。

    Mar, 2019

  • 层次互信息分析：走向野外多视角聚类

    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

  • 多分区对齐聚类

    本文提出了一种基于多视角信息融合分区的一致聚类方法，并通过几个真实数据集证明了其在多视角聚类方面的有效性。

    Sep, 2019

  • 高置信度引导的不完全对比多视图聚类

    提出了一种名为 ICMVC 的新型不完整对比多视图聚类方法，主要解决不完整多视图数据聚类中的缺失值问题，并通过多视图一致性关系转移、图卷积网络、实例级注意力融合、高置信度引导和对比学习实现了完整多视图表示和聚类分配的联合优化。实验证明了该方法的有效性和优越性。

    Dec, 2023