基于张量填补的不完整多视图半监督学习对抗图融合
机器学习
2025-10-22 v2
摘要
视图缺失在基于图的多视图半监督学习中仍然是一个重大挑战，阻碍了其现实世界应用。为了解决这个问题，传统方法引入缺失指示矩阵，并侧重于在每个视图中挖掘现有样本之间的部分结构以进行标签传播（LP）。然而，我们认为这些被忽略的缺失样本有时会诱发不连续的局部结构，即子簇，从而破坏 LP 中基本的平滑性假设。因此，这种子簇问题（SCP）会扭曲图融合并降低分类性能。为了缓解 SCP，我们提出了一种新颖的不完整多视图半监督学习方法，称为 AGF-TI。首先，我们设计了一种对抗图融合方案，通过 min-max 框架学习针对扭曲局部结构的鲁棒共识图。通过将所有相似度矩阵堆叠成张量，我们基于低秩张量学习进一步从高阶一致性信息中恢复不完整结构。此外，结合基于锚点的策略以降低计算复杂度。我们开发了一种结合简化梯度下降法的高效交替优化算法来求解所构建的目标，并具有理论收敛性。在各种数据集上的广泛实验结果验证了我们所提出的 AGF-TI 相较于 SOTA 方法的优越性。代码可在 https://github.com/ZhangqiJiang07/AGF_TI 获取。
引用
@article{arxiv.2509.15955,
title = {Adversarial Graph Fusion for Incomplete Multi-view Semi-supervised Learning with Tensorial Imputation},
author = {Zhangqi Jiang and Tingjin Luo and Xu Yang and Xinyan Liang},
journal= {arXiv preprint arXiv:2509.15955},
year = {2025}
}
备注
31 pages, 15 figures