基于潜在表示与图联合学习的深度嵌入多视图聚类
机器学习
2022-05-10 v1
摘要
凭借深度学习模型的表示学习能力，深度嵌入多视图聚类（MVC）在许多场景中取得了令人印象深刻的性能，并在近年来变得日益流行。尽管该领域已取得巨大进展，现有大多数方法仅关注学习潜在表示，而忽视了学习节点的潜在图也能为聚类任务提供可用信息。为解决此问题，本文提出基于潜在表示与图联合学习的深度嵌入多视图聚类（DMVCJ），从两方面利用潜在图提升深度嵌入MVC模型的性能。首先，通过联合学习潜在图与特征表示，图卷积网络（GCN）技术得以应用于我们的模型。借助GCN从图与特征中挖掘信息的能力，模型的聚类性能得到显著提升。其次，基于潜在图中节点的邻接关系，我们设计了一种样本加权策略以缓解噪声问题，并进一步提高模型的有效性与鲁棒性。在各类真实多视图数据集上的实验结果证明了DMVCJ的有效性。
引用
@article{arxiv.2205.03803,
title = {Deep Embedded Multi-View Clustering via Jointly Learning Latent Representations and Graphs},
author = {Zongmo Huang and Yazhou Ren and Xiaorong Pu and Lifang He},
journal= {arXiv preprint arXiv:2205.03803},
year = {2022}
}