Oct, 2023

层次互信息分析：走向野外多视角聚类

PDF
TL;DR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。
multi-view clusteringunsupervised viewsspatio-temporal asynchronismdata recoveryalignment
发现论文，激发创造
  • 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

  • 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

  • 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

  • 对比聚类分配的深度多视图聚类

    本文提出了一种跨视角对比学习（CVCL）方法，该方法利用深度自编码器将视角相关特征提取出来，通过对多个视角下的聚类结果对比来学习视角不变性表示，并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息，从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。

    Apr, 2023

  • 一种有效的多视图聚类的新方法：信息论透视

    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

  • 基于深度矩阵因式分解和分区对齐的多视角聚类

    提出了一种基于深度矩阵分解与分割对齐的新型多视角聚类算法，全面利用各视角的分区表示并融合多视角信息，通过交替优化算法解决优化问题，实验结果表明该算法在六个多视角数据集中优于目前的方法。

    May, 2021

  • 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

  • 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

  • 多视角多聚类

    本研究介绍了一种名为 MVMC 的多视图多聚类算法，将自表示学习应用于多视图数据中，使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息，再采用矩阵分解生成多个高质量多样性聚类，并进一步扩展到多视图多共聚类（MVMCC）。实验结果表明，本方法在多视图数据中生成的多样性聚类（共聚类）优于当前现有的算法。

    May, 2019

  • 可信多视角分类

    提出了一种新的多视角分类方法：可信的多视角分类，该算法动态集成不同视图的证据，以提高分类的可靠性和鲁棒性，通过将来自每个视图的证据参数化为 Dirichlet 分布并与 Dempster-Shafer 理论相结合，构建统一框架来感知和评估样本的分类不确定性。

    Feb, 2021