CDIMC-net：认知深度不完整多视图聚类网络
计算机视觉与模式识别
2024-03-29 v1 机器学习
摘要
近年来，研究缺失视图下具有挑战性的多视图聚类问题的不完整多视图聚类受到了越来越多的研究关注。尽管已有一系列方法被提出以解决此问题，但仍存在以下问题：1）几乎所有现有方法均基于浅层模型，难以获得具有判别性的公共表示。2）这些方法通常对噪声或离群值敏感，因为负样本与重要样本被同等对待。在本文中，我们提出了一种新颖的不完整多视图聚类网络，称为认知深度不完整多视图聚类网络（CDIMC-net），以解决这些问题。具体而言，它通过将特定视图的深度编码器和图嵌入策略整合到一个框架中，来捕捉每个视图的高层特征和局部结构。此外，基于人类认知（即由易到难学习），它引入了自步策略来选择最置信的样本进行模型训练，从而减少离群值的负面影响。在几个不完整数据集上的实验结果表明，CDIMC-net 优于最先进的不完整多视图聚类方法。
引用
@article{arxiv.2403.19514,
title = {CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network},
author = {Jie Wen and Zheng Zhang and Yong Xu and Bob Zhang and Lunke Fei and Guo-Sen Xie},
journal= {arXiv preprint arXiv:2403.19514},
year = {2024}
}
备注
Accepted by IJCAI 2020