基于扩散补全的不完整多视角聚类
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
本文提出了一种信息恢复驱动的深度不完整多视角聚类网络,命名为 RecFormer,它可以通过使用自注意力结构和两阶段自编码器来同步提取多个视角的高级语义表示并恢复丢失的数据,利用重构机制来推动进一步的数据重建过程,其实验结果证实 RecFormer 在不完整的多视角聚类领域具有明显的优势。
Apr, 2023
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
本论文提出了一种名为 FCMVC-IV 的方法,用于解决多视角聚类中的不完整连续数据问题。该方法维护一致性系数矩阵并更新知识,而不是存储和重新计算所有数据矩阵,使用了两个指示器矩阵和旋转矩阵来匹配不同维度的矩阵,并设计了一个三步迭代算法以线性复杂度解决产生的问题。经过全面的实验后,表明 FCMVC-IV 的卓越性。
Jun, 2023
提出了一种新的不完整多视图对比聚类框架,它直接优化了潜在特征子空间,并利用学习的特征向量及其子向量进行重建学习和一致性学习,从而有效地避免了维度崩溃,同时通过交叉视图预测机制来恢复不完整数据,采用最小条件熵来丢弃不一致信息,进一步避免私有信息的影响。实验结果表明,该方法在 5 个公共数据集上实现了最先进的聚类结果。
Mar, 2023
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
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
基于流形学习的不完整多视角聚类方法通过双一致性指导灵活地恢复各个视角下的不完整数据,并通过反向正则化实现双一致性指导策略,同时在探索恢复数据的隐藏结构方面提出了流形嵌入测量。此外,该方法平衡了不同视角的重要性,并为每个视角引入了自适应权重项,通过交替迭代优化策略的优化算法进行最终聚类。与几种先进的基线方法相比,该方法在 6 个基准数据集上得到显著优越的结果。
May, 2024
该研究论文提出了一种基于赫尔伯特 - 施密特谱理论和矩阵完成方法的不完整多视图聚类算法 PIC,旨在解决在现实生活中多种数据缺失的情况下,提高多视图聚类效果
May, 2019