通过延迟激活在不完整多视图聚类中平衡补充性与一致性
计算机视觉与模式识别
2024-07-26 v1
摘要
本文研究了不完整多视图聚类的一个具有挑战性的问题，即其他视图中宝贵的补充信息总被忽略。具体而言，我们提出一种框架有效平衡不完整多视图聚类（CoCo-IMC）中的补充性和一致性信息。具体地，我们设计了一种延迟激活双网络，实现了不同视图之间补充性和一致性的平衡。延迟激活可丰富在一致性学习期间被忽略的补充性信息。随后，我们通过最小化不同视图之间的条件熵和最大化互信息来恢复被遗漏的信息并增强一致性学习。这可能是首次将延迟激活引入不完整数据恢复和补充性与一致性平衡的理论尝试。我们在四个公开可用数据集上与 12 种最先进基线方法的广泛比较实验中证明了 CoCo-IMC 的有效性。
引用
@article{arxiv.2407.17744,
title = {Balancing Complementarity and Consistency via Delayed Activation in Incomplete Multi-view Clustering},
author = {Bo Li},
journal= {arXiv preprint arXiv:2407.17744},
year = {2024}
}