Apr, 2024

无配对多视角聚类中的可靠视角指导

PDF
TL;DR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。
unpaired multi-view clusteringconsistent cluster structurereliable viewalignment modulesorthogonal constraint
发现论文，激发创造
  • 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

  • 跨视图结构匹配的非配对多视图图聚类

    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

  • 非监督多模态聚类用于多模态话语中的语义发现

    该论文介绍了一种新颖的无监督多模态聚类方法（UMC），它在无监督情景下利用非语言信息来辨识复杂语义，并通过动态选择高质量样本来学习表示，从而在聚类度量方面取得了 2-6％得分的显著提高。

    May, 2024

  • 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

  • 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

  • 探索和利用不完整多视角分类的不确定性

    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

  • 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

  • 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

  • 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

  • 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