基于 VAE 循环置换的深度不完整多视图学习

多视图表征学习 (MVRL) 旨在通过利用跨视图中的共享和互补信息，从多视图数据中派生统一表征。然而，当视图不规则缺失时，不完整数据会导致表征缺乏充分性和一致性。为解决这一问题，我们提出了基于变分自编码器 (VAE) 循环置换的多视图学习方法 (MVP)，该方法从不完整数据中挖掘视图之间的不变关系。MVP 在变分自编码器的潜在空间中建立跨视图对应关系，实现对缺失视图的推断并聚合更充分的信息。为获得有效的证据下界 (ELBO)，我们对变量进行随机置换以进行跨视图生成，然后按视图分区以保持置换下的不变含义。此外，我们通过引入带有后验循环置换的信息性先验来增强一致性，将正则化项转化为跨分布相似性度量。我们在七个数据集上进行实验，所需缺失比例各不相同，在多视图聚类和生成任务中实现了卓越的性能。