基于层次插值与对齐的深度不完整多视图聚类
机器学习
2026-05-14 v1
摘要
不完整多视图聚类（IMVC）旨在从具有部分观察的多视图数据中发现共享的聚类结构。核心挑战在于在不引入偏差的前提下准确插值缺失视图，同时保持跨视图的语义一致性和簇内的紧凑性。为此，我们提出DIMVC-HIA（Deep Incomplete Multi-View Clustering via Hierarchical Imputation and Alignment），一种新型深度IMVC框架，集成层次插值与对齐，包含四个关键组件：（1）用于特征提取的视图特定自编码器，联合使用视图共享聚类预测器生成软聚类分配；（2）层次插值模块首先基于跨视图对比相似性估计缺失的聚类分配，然后使用类内、类间统计信息重构缺失特征；（3）基于能量的语义对齐模块，通过最小化围绕低能量聚类锚点周围的能量方差来促进簇内紧凑性；（4）对比分配对齐模块，增强跨视图一致性，鼓励置信、清晰的聚类预测。基准实验表明，我们框架在不同缺失程度下均表现出优异性能。
引用
@article{arxiv.2601.09051,
title = {Deep Incomplete Multi-View Clustering via Hierarchical Imputation and Alignment},
author = {Yiming Du and Ziyu Wang and Jian Li and Rui Ning and Lusi Li},
journal= {arXiv preprint arXiv:2601.09051},
year = {2026}
}
备注
Accepted by AAAI 2026