一种面向不完全多视图聚类的自适应加权自表示方法
最优化与控制
2024-04-09 v2
摘要
对于现实中的多视图数据，由于人为或机器错误，其部分元素可能缺失。不完全多视图聚类（IMC）根据样本各视图的特征对不完全多视图数据进行聚类。近年来，IMC备受关注，已有许多相关方法被提出。然而，现有方法在以下方面仍有待发展和创新：（1）当前方法仅考虑不同视图之间的差异，而忽略了样本的不同影响，以及缺失值与完整值之间的区别。（2）自适应加权算法中加权矩阵的更新方案通常依赖于一个优化子问题，其最优解可能不易求得。（3）能够恢复不完全数据的自适应加权子空间算法均为锚点类型，锚点矩阵的随机性可能导致不可靠性。为应对这些局限，我们提出一种面向IMC的自适应加权自表示（AWSR）子空间方法。AWSR方法根据不同样本的视图及缺失值的恢复过程自适应地调整加权矩阵。对表示矩阵的低秩与平滑约束使子空间能准确揭示数据集的潜在特征。我们还从理论上分析了块坐标方法用于我们优化模型的收敛性质。在五个真实数据上的数值结果表明，在聚类准确率（ACC）、归一化互信息（NMI）和纯度（Purity）方面，与其他八种广泛使用的方法相比，AWSR方法有效且取得了更优的结果。
引用
@article{arxiv.2302.05563,
title = {An adaptive weighted self-representation method for incomplete multi-view clustering},
author = {Lishan Feng and Guoxu Zhou and Jingya Chang},
journal= {arXiv preprint arXiv:2302.05563},
year = {2024}
}