基于分布双重一致性恢复指导的深度不完整多视图聚类
计算机视觉与模式识别
2025-03-17 v1 机器学习
摘要
多视图聚类利用来自不同来源的互补表示以提升性能。然而，由于隐私问题和设备故障等因素，现实世界中的数据常存在不完整的情况。一个关键挑战是如何有效利用可用实例来恢复缺失视图。现有方法在恢复过程中经常忽略视图间的异质性，导致恢复数据与真实数据之间存在显著的分布差异。此外，许多方法关注跨视图相关性，却忽略了来自视图内可靠结构和跨视图聚类结构的洞察。为了解决这些问题，我们提出了 BURG，一种基于分布双重一致性恢复指导（distriBution dUal-consistency Recovery Guidance）的不完整多视图聚类新方法。我们将每个样本视为一个独立类别，并执行跨视图分布迁移以预测缺失视图的分布空间。为了弥补可靠类别信息的缺失，我们设计了一种双重一致性指导的恢复策略，包括由邻居感知一致性指导的视图内对齐和由原型一致性指导的跨视图对齐。在基准数据集上的大量实验证明了 BURG 在不完整多视图场景下的优越性。
引用
@article{arxiv.2503.11017,
title = {Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance},
author = {Jiaqi Jin and Siwei Wang and Zhibin Dong and Xihong Yang and Xinwang Liu and En Zhu and Kunlun He},
journal= {arXiv preprint arXiv:2503.11017},
year = {2025}
}