可信多视角分类
本文研究了一种新的范例,称为多视类增量学习(MVCIL),旨在将单个模型应用于连续的视图流中,以增量分类新类,而无需访问早期的数据视图,其中引入了一种随机化表示学习技术进行特征提取,集成后引入选择性权重巩固,实验证明了本方法的有效性。
Jun, 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
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
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
本文提出了一种新型的多阶段深度多视图聚类框架,引入多视图自我蒸馏(DistilMVC)来提取标签分布的暗知识,从而消除过度自信的伪标签的影响,提高模型的泛化能力,并通过对比学习来探索多个视图的常见语义,通过最大化视图之间的互信息来获得伪标签,同时通过教师网络将伪标签蒸馏为暗知识,提升学生网络的预测能力,实验结果表明,与现有方法相比,我们的方法在真实多视图数据集上具有更好的聚类性能。
Oct, 2023
解决冲突是使多视角分类决策更可靠的关键,现有的基于信任的框架无法适应不同视角之间可能出现的冲突,因此我们开发了一种计算信任的折扣方法来增强现有的框架,通过考虑实例级概率敏感的信任折扣机制,对个体视角的预测进行融合以提高可靠性,在真实应用中的六个数据集上验证了我们的方法,使用了 Top-1 准确率、AUC-ROC 用于不确定性感知预测、Fleiss' Kappa 以及考虑了基准真实标签的新指标 Multi-View 一致性,实验结果表明,计算机信任可以有效解决冲突,为更可靠的多视角分类模型铺平了道路。
Jun, 2024
提出了一个基于不确定性的不完整多视图数据分类模型,通过构建分布来捕捉丢失视图的不确定性,并根据采样质量自适应利用它们来实现更明显的数据填充和可控融合,使用证据融合策略来保证集成填充视图的可靠性和性能,多个基准数据集的实验证明了该方法的优越性。
Apr, 2023