Jul, 2023

跨视图结构匹配的非配对多视图图聚类

PDF
TL;DR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。
multi-view clusteringdata-unpaired problemgraph clusteringcross-view structure matchingupmgc-sm
发现论文，激发创造
  • 无配对多视角聚类中的可靠视角指导

    该研究专注于非配对多视图聚类问题，提出了一种可靠视图引导的方法来解决跨视图聚类中的不确定聚类结构和样本配对关系不确定的问题，并通过对齐模块和紧凑性模块进一步优化聚类效果，实验证明该方法的优越性。

    Apr, 2024

  • 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

  • 无配对多视角聚类的多层可靠引导

    我们提出了一种名为 MRG-UMC 的方法，该方法利用多级聚类来学习跨视图、内视图和公共视图的可靠聚类结构，减少聚类错误和不确定性。

    Jul, 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

  • 基于自监督相关性的多视图聚类算法

    我们提出了一个全新的基于深度学习的多视角聚类框架，通过学习有意义的融合数据表示和一致的伪标签，实现对通用数据的聚类分析任务的改进。

    Feb, 2024

  • 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

  • 多视角聚类调查

    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

  • 通用数据的高阶多视角聚类

    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。

    Sep, 2022

  • 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