可扩展的不完全多视角聚类与结构对齐
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
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
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
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
提出了一种名为 Sufficient Multi-View Clustering (SUMVC) 的新方法,该方法从信息理论的角度考察多视图聚类框架,通过开发简单可靠的多视图聚类方法和提出足够的表示下界,解决了多视图聚类中的冗余信息和一致信息问题,为多视图数据分析提供了新的角度和有前景的解决方案。
Sep, 2023