高置信度引导的不完全对比多视图聚类
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
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
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
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
提出了一个基于不确定性的不完整多视图数据分类模型,通过构建分布来捕捉丢失视图的不确定性,并根据采样质量自适应利用它们来实现更明显的数据填充和可控融合,使用证据融合策略来保证集成填充视图的可靠性和性能,多个基准数据集的实验证明了该方法的优越性。
Apr, 2023
本文提出了一种新的不完整多视角聚类网络,称为 CDIMC-net,用于解决基于浅层模型的不完整多视角聚类方法中存在的问题,包括获取具有辨别力的共同表示以及对噪声和异常值的敏感性。实验结果表明,CDIMC-net 在几个不完整数据集上表现优于现有的不完整多视角聚类方法。
Mar, 2024