生成式部分多视图聚类
计算机视觉与模式识别
2020-03-31 v1
摘要
如今，随着数据收集来源与特征提取方法的快速发展，多视图数据变得易于获取，并在近年来受到越来越多的研究关注，其中多视图聚类（MVC）构成主流研究方向并广泛应用于数据分析。然而，现有 MVC 方法主要假设每个样本出现在所有视图中，未考虑因数据损坏、传感器失效、设备故障等导致的不完整视图情形。在本研究中，我们设计并构建了一个生成式部分多视图聚类模型，命名为 GP-MVC，通过显式生成缺失视图的数据来解决不完整多视图问题。GP-MVC 的主要思想有两点。首先，训练多视图编码器网络以学习公共低维表示，随后接一个聚类层以捕获跨多个视图的一致聚类结构。其次，开发视图特定的生成对抗网络，以基于其他视图给出的共享表示来生成某一视图的缺失数据。这两步可相互促进，其中学习公共表示有助于数据填补，而生成的数据可进一步探索视图一致性。此外，实施一种加权自适应融合方案以利用不同视图间的互补信息。在四个基准数据集上的实验结果展示了所提 GP-MVC 相对于 SOTA 方法的有效性。
引用
@article{arxiv.2003.13088,
title = {Generative Partial Multi-View Clustering},
author = {Qianqian Wang and Zhengming Ding and Zhiqiang Tao and Quanxue Gao and Yun Fu},
journal= {arXiv preprint arXiv:2003.13088},
year = {2020}
}
备注
This paper is an extension to our previous work: "Wang Q, Ding Z, Tao Z, et al. Partial multi-view clustering via consistent GAN[C]//2018 IEEE International Conference on Data Mining (ICDM). IEEE, 2018: 1290-1295."