Jun, 2023

含不完整视图的快速连续多视图聚类

PDF
TL;DR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。
multi-view clusteringincomplete continual data problemconsensus coefficient matrixindicator matricesiterative algorithm
发现论文，激发创造
  • 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

  • 一次不完整多视图聚类

    本文提出了一种在线的多视角聚类方法（OPIMC），使用正则化矩阵分解和加权矩阵分解，可以相对容易地提取多视角数据中的聚类结果，解决了缺失问题，并引入两个全局统计量，有效的确定了迭代过程的终止。由于 OPIMC 的高效性和有效性，针对四个真实数据集进行的大量实验得出实验结果。

    Mar, 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 对比连续多视角聚类与过滤结构融合

    利用对比学习和过滤结构融合的方法解决多视角聚类中的遗忘问题，并与半监督学习和知识蒸馏进行理论连接。

    Sep, 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