May, 2023

带有完全不完整信息的语义不变多视角聚类

PDF
TL;DR提出一种不需要成对样本的多视角聚类框架 SMILE，通过发现在不同视角的显著语义分布密度不变性来解决有关缺失信息的问题，从而实现了对不完整对应和不完整实例的聚类，并取得了显著的表现.
multi-view learningincomplete informationsemantic invariance learningconsensus semanticsclustering accuracy
发现论文，激发创造
  • 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

  • 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

  • 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

  • 通过直接对比学习防止不完全多视角聚类的维度坍塌

    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

  • 可扩展的不完全多视角聚类与结构对齐

    通过锚图学习和结构对齐，提出了一种用于处理不完整多视角聚类的新型不完整锚图学习框架，提高了聚类质量并降低了时间和空间复杂度。

    Aug, 2023

  • 深度不完整多视角多聚类

    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

  • 半监督深度多视图立体

    本文提出了一种基于半监督学习的多视角立体视觉 (SE-MVS) 框架，其中一些 MVS 数据仅带有稠密深度地面实况。通过一致性正则化和样式一致性损失来提高深度估计的精度和完整性，实验结果表明该方法优于全监督和无监督方法。

    Jul, 2022

  • 自学习对称多视角概率聚类

    本文提出了一种名为 SLS-MPC 的自学习对称多视图概率聚类方法，它使用了对称多视图概率估计和自学习概率函数来实现任意视图数的数据缺失容忍，同时使用了图上下文感知的细化来消除噪声和离群值的影响，并提出了一种概率聚类算法来进行聚类分配调整，无需类别信息，在多个基准测试中明显优于现有的方法。

    May, 2023

  • 基于扩散补全的不完整多视角聚类

    本文提出了一种基于扩散模型和对比学习的不完全多视角聚类框架，用于解决大量未标记数据的有效数据分析，试图通过恢复缺失视角提高多视角聚类性能。

    May, 2023

  • 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