通用数据的高阶多视角聚类

Sep, 2022

High-order Multi-view Clustering for Generic Data

Erlin Pan, Zhao Kang

TL;DR提出了一种名为高阶多视角聚类 (HMvC) 的方法，该方法采用图过滤来编码结构信息，扩充了学习到的图，利用自适应图融合机制来实现一致性的分布式图。实验结果显示，在非图和有属性图数据方面，我们的方法在各种现有技术，包括一些深度学习方法方面都表现出优越性能。

Abstract

Graph-based multi-view clustering has achieved better performance than most non-graph approaches. However, in many real-world scenarios, the graph structure of data is not given or the quality of initial graph is poor. Additionally, existing methods largely neglect the high-order neigh

graph-based clustering multi-view clustering high-order neighborhood information graph fusion mechanism deep learning methods

发现论文，激发创造

多视角对比图聚类

本研究提出了一种多视图属性图数据聚类的通用框架，采用多视图对比图聚类 (MCGC) 方法来学习一致性图，相比现有的方法，该方法表现更优异，尤其是在深度学习方法上。

Oct, 2021

基于图滤波的可扩展多视图聚类

本文提出了一种用于聚类属性和图数据的通用框架，该框架能够探索特征和结构之间的相互作用，并具有图过滤和采样策略等优势，同时在属性和图基准测试上的实验证明了其优越性。

May, 2022

对比多视角双曲分层聚类

本论文提出了一种基于神经网络的模型（Contrastive Multi-view Hyperbolic Hierarchical Clustering, CMHHC），应用于多视角数据的超几何层次聚类，通过对多个视角的样本级表示进行对比来捕获不变性信息，并将其嵌入到超几何空间中进行聚类，并且将最优化的超几何嵌入解码成二分聚类树结构。实验结果表明该方法及其组成部分的有效性。

May, 2022

多视角多聚类

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

融合高阶结构信息的图聚类

提出了一种新颖的图聚类网络，能充分利用图结构信息，捕获高阶结构信息，并应用三元自监督模块作为结构约束，在多个数据集上优于多个最先进的方法，显示出其优越性。

Mar, 2024

自适应节点级权重学习的多阶图聚类

本文提出了一个多阶图聚类模型（MOGC），通过在节点级别整合多个高阶结构和边缘连接，采用自适应权重学习机制来自动调整每个节点不同结构的贡献，从而既解决了超图分割问题，又提高了聚类准确性。通过交替最小化算法高效地解决 MOGC 问题，并在七个真实数据集上的实验结果证明了 MOGC 的有效性。

May, 2024

生成式部分多视图聚类

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

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

跨视图结构匹配的非配对多视图图聚类

提出了一种新的无参数图聚类框架，名为 Unpaired Multi-view Graph Clustering framework with Cross-View Structure Matching (UPMGC-SM)，可以有效地处理多视角数据中的数据未配对问题，并能够增强现有的图聚类方法在未配对情景下的能力。

Jul, 2023

多视角图聚类的低秩非凸规范方法

通过引入一种新颖的名为 “Consensus Graph-Based Multi-View Clustering Method Using Low-Rank Non-Convex Norm”（CGMVC-NC）的多视图聚类技术，该研究提出了一种用于多视图聚类的新技术。该方法利用多视图数据张量的结构特征，引入非凸张量范数来确定这些视图之间的相关性，相对于传统方法，这种方法在多个基准数据集上展现出卓越的聚类准确性。尽管所使用的张量范数具有非凸性，但所提出的方法仍然可以通过现有算法进行高效优化。该方法为多视图数据分析提供了有价值的工具，并有潜力提高我们对各个领域中复杂系统的理解。进一步的研究可以探索该方法在其他类型的数据上的应用，并将其扩展到其他机器学习任务。

Dec, 2023