用于多视图聚类的凝聚神经网络
机器学习
2020-05-13 v1 机器学习
摘要
传统的多视图聚类方法通过最小化共识视图与各子视图之间的成对差异来寻求视图共识。然而，若某些子视图可进一步凝聚，则成对比较无法精确刻画视图间关系。为应对上述挑战，我们提出凝聚分析以逼近最优共识视图，从而在视图结构中描述子视图关系。我们提出基于约束拉普拉斯秩的凝聚神经网络（ANN），可直接对多视图数据进行聚类，而无需专门的后处理步骤（例如使用 K-means）。我们进一步将 ANN 扩展为可学习数据空间，以处理复杂场景下的数据。我们在四个流行数据集上对比若干最先进的多视图聚类方法，评估结果表明 ANN 具有优异的视图共识分析能力。我们通过案例研究进一步展示了 ANN 分析复杂视图结构的能力与可扩展性，并解释了其数据驱动修改的鲁棒性与有效性。
引用
@article{arxiv.2005.05556,
title = {Agglomerative Neural Networks for Multi-view Clustering},
author = {Zhe Liu and Yun Li and Lina Yao and Xianzhi Wang and Feiping Nie},
journal= {arXiv preprint arXiv:2005.05556},
year = {2020}
}