基于跨视图部分样本与原型对齐的深度不完整多视图聚类
机器学习
2023-03-31 v2 计算机视觉与模式识别
摘要
现有多视图聚类的成功依赖于跨视图样本完整性的假设。然而，在真实场景中，由于数据损坏或传感器故障，多视图样本往往仅部分可用，这催生了不完整多视图聚类（IMVC）研究。尽管已有若干尝试解决IMVC，它们仍存在以下缺陷：i）现有方法主要采用跨视图对比学习，强制各样本跨视图表示完全一致，可能忽略视图差异与表示灵活性；ii）由于跨多视图非观测样本的缺失，所获簇原型可能未对齐且有偏，导致错误融合。针对上述的问题，我们提出一种跨视图部分样本与原型对齐网络（CPSPAN）用于深度不完整多视图聚类。首先，不同于现有基于对比的方法，我们采用成对观测数据对齐作为“代理监督信号”以引导视图间实例到实例对应关系的构建。进而，针对IMVC中偏移的原型，我们进一步提出原型对齐模块以实现跨视图的不完整分布校准。大量实验结果展示了我们所提模块的有效性，在基准数据集上相较现有IMVC方法取得了显著的性能提升。
引用
@article{arxiv.2303.15689,
title = {Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment},
author = {Jiaqi Jin and Siwei Wang and Zhibin Dong and Xinwang Liu and En Zhu},
journal= {arXiv preprint arXiv:2303.15689},
year = {2023}
}
备注
Accepted by IEEE/CVF Conference on Computer Vision and Pattern Recognition 2023