Multi⁃view clustering is an important unsupervised learning method. However,in real applications,it is difficult to obtain complete multi⁃view data,which leads to incomplete multi⁃view clustering problem. Most of the existing incomplete multi⁃view clustering methods only consider the attribute information of views,but ignore the influence of structure information on clustering,resulting in extracted features cannot fully represent the latent structure of the original data. To address these problems,in this paper,a deep method based on multi⁃order neighborhood constraints is proposed for incomplete multi⁃view clustering. Firstly,the deep autoencoder with self⁃attention is used to obtain the rich complex latent features with cross⁃view information interaction,and the weighted fusion approach is employed to learn the consistency common information of views. Then,in incomplete multi⁃view settings,the missing data are fixed up by the consistency common representation of multi⁃views data. Finally,the multi⁃order neighborhood constraint mechanism is proposed,which considers the deep structural information within incomplete views and constructs an approximate complete neighborhood graph using the complementarity of multi⁃views,guiding the encoder to learn more compact and discriminative high⁃level semantic features. Experimental results show that the proposed method is effective.
Wang Mei, Wang Weidong, Liu Yong, Yu Yuanze. Deep incomplete multi⁃view clustering based on multi⁃order neighborhood constraint. Journal of nanjing University[J], 2024, 60(1): 53-64 doi:10.13232/j.cnki.jnju.2024.01.006
近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF).
尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题.
考虑到上述问题,本文提出了一种基于多阶近邻约束的深度不完整多视图聚类方法(Deep Incomplete Multi⁃View Clustering Based on Multi⁃Order Neighborhood Constraint,DMNC).首先,结合自注意力机制和多视图学习的特点,设计了一个基于Transformer的编码器.与简单的线性编码器相比,它能够进行交叉视图间的信息交互,有利于挖掘多个视图间的互补性.其次,引入了加权融合策略来组合多视图互补信息,同时避免了缺失视图带来的影响.最后,考虑到数据的不同阶结构信息,利用不完整多视图的互补性,提出一种多阶近邻约束,其目的是构建一个融合多阶近邻关系的近似完整的近邻图指导编码器提取更紧致、更有判别性的高级语义特征.另一方面,更明显的区别性语义特征也可以促进缺失视图的恢复.大量的实验和直观的可视化结果也验证了本文所提方法的有效性.
本文提出一种基于多阶近邻约束的深度不完整多视图聚类方法(Deep Incomplete Multi⁃View Clustering Based on Multi⁃Order Neighborhood Constraint,DMNC),用于学习具有不完整多视图样本的表示.DMNC模型框架如图3所示,考虑到本文的下游任务是无监督聚类,由于缺乏直接区分数据的监督信息,本文只能利用可用的原始数据来施加重构约束,以学习视图所共享的公共语义表示.因此,设计了一个基于Transformer的自编码器同时完成多视图公共表示学习与缺失视图恢复.此外,为了使提取的公共语义表示能够包含数据的潜在结构信息,设计了一个多阶近邻约束项,以获取带有多阶结构信息的公共表示.为了保证恢复的缺失视图对下游任务有利,采用两阶段的学习策略.第一阶段:利用多视图的一致性恢复缺失视图,避免缺失位置的噪声数据产生负面影响;第二阶段:将第一阶段恢复的数据和原始不完整数据相结合生成新的数据(近似完整数据),完成多视图聚类.因此,在第二阶段,整个模型可以被视为一个通用的多视图聚类网络,而不需要任何额外的计算.
与单视图数据相比,多视图学习成功的关键是视图之间的互补性,即每个视图存在其他视图没有的特有信息.为了聚合视图间的互补信息,本文设计了一个具有交叉视图信息交互的编码器(Cross⁃View Information Interaction Transformer Encoder,CFormer).首先,原始数据各个视图的特征维度不同,为了便于后续模块能够并行处理所有视图,为所有视图添加一组低级的特征提取器,将原始多视图数据映射到具有相同维度的嵌入空间.简单起见,选择m个多层感知机作为低级特征提取器.其中,为多层感知机的参数.本文提出的编码器与经典的Transformer中的编码器类似,主要区别在于本文在计算多头自注意力得分时引入了缺失视图指标矩阵,以防止缺失视图参与注意力的计算.具体实现如下:给定多头自注意力机制的头数h,对于每个样本的嵌入特征,利用h组线性变换参数矩阵获取相应的,和的映射,其中,.为了根据带有缺失的嵌入特征计算注意力,定义了一个填充函数(),表示用填充零值,并构造了样本i的掩码矩阵,其中,是缺失视图指示矩阵的第i行向量.采用式(6)计算带有缺失视图的自注意力:
在四个广泛使用的多视图数据集上全面地评估了提出的方法.数据集的详细信息如表1所示.MNIST⁃USPS是一个流行的手写数字数据集,包含5000个样本和两种不同风格的数字图像.Columbia Consumer Video (CCV)是一个包含20个类6773个样本的视频数据集,每个样本包含三个视图STIP,SIFT和MFCC.Multi⁃Fashion是一个图像数据集,本文将三种不同的风格视为一个样本的三种视图.Caltech7是Caltech101数据集的一个子集,是具有多个视图的RGB图像数据集,本文从中选择了1474张涵盖七个类别的图像,每幅图像都提取六种特征,即WM,CENTRIST,LBP,GIST,HOG和Gabor.
Table 1
表1
表1实验使用的数据集的详细信息
Table 1 Information of datasets used in experiments
Incomplete multi⁃view multi⁃label learning via label⁃guided masked view⁃and category⁃aware transformers
∥Proceedings of the Thirty⁃Seventh AAAI Conference on Artificial Intelligence and Thirty⁃Fifth Conference on Innovative Applications of Artificial Intelligence and 13th Symposium on Educational Advances in Artificial Intelligence. Washington DC,USA:AAAI Press,2023:8816-8824.
LiuC L, WenJ, LuoX L,et al.
DICNet:Deep instance⁃level contrastive network for double incomplete multi⁃view multi⁃label classification
∥Proceedings of the Thirty⁃Seventh AAAI Conference on Artificial Intelligence and Thirty⁃Fifth Conference on Innovative Applications of Artificial Intelligence and Thirteenth Symposium on Educational Advances in Artificial Intelligence. Washington DC,USA:AAAI Press,2023:8807-8815.
:An imperative style,high⁃performance deep learning library∥Proceedings of the 33rd International Conference on Neural Information Processing Systems. Vancouver,Canada:MIT Press,2019:8026-8037.
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
COMIC:Multi?view clustering without parameter selection
0
2019
One pass late fusion multi?view clustering
0
2021
Deep safe multi?view clustering:Reducing the risk of clustering performance degradation caused by view increase
0
2022
Fast multiview clustering by optimal graph mining
0
多样性诱导的潜在嵌入多视图聚类
0
2023
Diversity?induced multi?view clustering in latent embedded space
0
2023
Efficient and effective one?step multiview clustering
0
Multi?VAE:Learning disentangled view?common and view?peculiar visual representations for multi?view clustering
0
2021
基于共享子空间的潜在语义学习
1
2022
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
Latent semantic learning based on shared subspace
1
2022
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
Partial multi?view clustering
2
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
Incomplete multi?modal visual data grouping
1
2016
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
Spectral perturbation meets incomplete multi?view data
1
2019
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
Multiple kernel k?means with incomplete kernels
2
2020
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
Efficient and effective regularized incomplete multi?view clustering
2
2021
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
Unified tensor framework for incomplete multi?view clustering and missing?view inferring
2
2021
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
Incomplete multi?view clustering algorithm based on multi?order neighborhood fusion
2
2022
... 近年来有许多多视图聚类方法被提出[1-9],其中大部分工作都显示或隐式地采用数据完整性假设,即所有实例的所有视图都是可见的.然而,在实际应用中,由于数据收集和传输的复杂性,数据完整性假设很难成立,从而导致不完整多视图聚类问题.与完整的多视图数据相比,缺失视图不仅削弱了原始多视图丰富的语义信息,而且由于缺失导致的分布不确定性,使得提取数据信息更加困难.Li et al[10]首次利用非负矩阵分解技术挖掘公共潜在子空间,提出了部分对齐的多视图聚类算法(Partial Multi⁃View Clustering,PVC).Hu and Chen[11]提出一种基于半非负矩阵分解的双重对齐不完整多视图聚类算法(Doubly Aligned Incomplete Multi⁃View Clustering Algorithm,DAIMC).Zhao et al[12]通过一个新的图拉普拉斯项来处理不完全多模态视觉数据分组问题,并提出不完整的多模态视觉数据聚类算法(Incomplete Multi⁃modal Visual Data Grouping,IMG).Wang et al[13]将数据缺失问题转化为矩阵相似性问题,提出一种面向扰动的不完整多视图聚类方法(Perturbation⁃Oriented Incomplete Multi⁃View Clustering,PIC).Liu et al[14]将不完整多视图聚类重新定义为联合优化问题,提出一种具有不完整多核K⁃means方法(Multiple Kernel K⁃means with Incomplete Kernels,MKKM⁃IK).次年,Liu et al[15]发现过于复杂的优化限制了MKKM⁃IK聚类性能的提升.为此,他们提出一种高效且有效的不完整多视图聚类算法(Efficient and Effective Incomplete Multi⁃View Clustering,EE⁃R⁃IMVC).Wen et al[16]设计了由不完全图构造的拉普拉斯矩阵来约束缺失视图,提出了一种基于一致张量框架下的缺失视图推断的不完整多视图聚类算法(Unifified Embedding Alignment Framework,UEAF).刘晓琳等[17]通过交叉扩散的方式将不同阶的深层结构信息进行融合,提出一种基于多阶近邻扩散融合的不完整多视图聚类算法(Incomplete Multi⁃View Clustering Algorithm Based on Multi⁃Order Neighborhood Dffusion and Fusion,MNDF). ...
... 尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...
... [18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...
Generative partial multi?view clustering with adaptive fusion and cycle consistency
1
2021
... 尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...
One?stage incomplete multi?view clustering via late fusion
1
2021
... 尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...
Deep safe incomplete multi?view clustering:Theorem and algorithm
1
2022
... 尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...
Deep partial multi?view learning
1
2022
... 尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...
COMPLETER:Incomplete multi?view clustering via contrastive prediction
1
2021
... 尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...
Dual contrastive prediction for incomplete multi?view representation learning
2
2023
... 尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...
Robust multi?view clustering with incomplete information
1
2023
... 尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...
Incomplete multi?view multi?label learning via label?guided masked view?and category?aware transformers
0
2023
DICNet:Deep instance?level contrastive network for double incomplete multi?view multi?label classification
1
2023
... 尽管上述方法在不完整多视图聚类任务上具有良好的表现,但大多数方法是利用浅层模型完成不完整多视图聚类任务,在处理高维和大规模数据时性能有限.对此现有部分不完整多视图聚类方法[18-27]利用深度网络卓越的非线性拟合能力挖掘数据深层次信息.Zhang et al[18]同时考虑了多视图的互补性和类分布,设计并构建了一个部分交叉多视图网络(Cross Partial Multi⁃View Networks,CPM⁃Nets)处理不完整多视图问题.Wang et al[19]构建了一个带有生成器的多视图聚类模型,通过显式生成缺失视图数据解决不完全多视图问题.Zhang et al[20]引入了一种单阶段后期融合方法,该方法结合了缺失视图的插补和聚类.Tang and Liu[21]为了减少缺失视图导致的聚类性能退化,提出了深度安全不完整多视图聚类方法(Deep Safe Incomplete Multi⁃View Clustering,DSIMVC).Zhang et al[22]引入了可学习的潜在表示,以从多个视图中挖掘公共语义.受到信息论的启发,Lin et al[23]将一致性学习与缺失数据恢复统一到一个框架中,提出了基于对比预测的不完整多视图聚类方法(Incomplete Multi⁃View Clustering via Contrastive Prediction,COMPLETER).次年,Lin et al[24]在COMPLETER的基础上加以改进,提出了双重对比预测模型(Dual Contrastive Prediction for Incomplete Multi⁃View Representation Learning,DCP),解决了两个以上视图的缺失问题.Yang et al[25]建立了一个统一的框架,同时解决视图对齐和样本缺失问题. ...