深度不完全多视图多重聚类
机器学习
2020-10-06 v1 机器学习
摘要
多视图聚类旨在利用来自多个异构视图的信息来促进聚类。大多数先前的工作基于预定义的聚类准则仅寻找一个最优聚类，但设计这样一个捕捉用户所需需求的准则是困难的。由于多视图数据的多样性，我们可以获得有意义的可替代聚类。此外，不完全多视图数据问题在现实世界中普遍存在，但尚未针对多重聚类被研究。为解决这些问题，我们引入了深度不完全多视图多重聚类（DiMVMC）框架，该框架通过优化多组解码器深度网络同时实现数据视图的补全和多个共享表示。此外，它最小化一个冗余项以同时使用 Hilbert-Schmidt 独立性准则（HSIC）来控制这些表示之间以及不同网络参数之间的多样性。接着，它从这些共享表示中的每一个生成独立的聚类。在基准数据集上的实验证实，DiMVMC 在生成具有高多样性和高质量的多重聚类方面优于最先进的竞争对手。
引用
@article{arxiv.2010.02024,
title = {Deep Incomplete Multi-View Multiple Clusterings},
author = {Shaowei Wei and Jun Wang and Guoxian Yu and Carlotta Domeniconi and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2010.02024},
year = {2020}
}
备注
10 pages, ICDM2020