关键词incomplete multi-view clustering
搜索结果 - 9
- 基于流形的不完全多视图聚类通过双一致性引导
基于流形学习的不完整多视角聚类方法通过双一致性指导灵活地恢复各个视角下的不完整数据,并通过反向正则化实现双一致性指导策略,同时在探索恢复数据的隐藏结构方面提出了流形嵌入测量。此外,该方法平衡了不同视角的重要性,并为每个视角引入了自适应权重项 - IJCAICDIMC-net:认知深度不完整多视角聚类网络
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 - AAAI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 - 基于联合投影学习和张量分解的不完整多视图聚类
使用联合投影学习与张量分解的方法(JPLTD)解决了不完整多视图聚类(IMVC)中的问题,包括高维特征冗余和噪声、图的噪声以及丢失样本引起的图噪声,并通过 JPLTD 模型的优化算法取得了优于现有方法的实验结果。
- 基于扩散补全的不完整多视角聚类
本文提出了一种基于扩散模型和对比学习的不完全多视角聚类框架,用于解决大量未标记数据的有效数据分析,试图通过恢复缺失视角提高多视角聚类性能。
- 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, - 信息恢复驱动的深度不完整多视角聚类网络
本文提出了一种信息恢复驱动的深度不完整多视角聚类网络,命名为 RecFormer,它可以通过使用自注意力结构和两阶段自编码器来同步提取多个视角的高级语义表示并恢复丢失的数据,利用重构机制来推动进一步的数据重建过程,其实验结果证实 RecFo - IJCAI光谱扰动相遇不完整多视图数据
该研究论文提出了一种基于赫尔伯特 - 施密特谱理论和矩阵完成方法的不完整多视图聚类算法 PIC,旨在解决在现实生活中多种数据缺失的情况下,提高多视图聚类效果
- AAAI一次不完整多视图聚类
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