基于层次信息传递的全局图传播用于不完整对比多视图聚类
机器学习
2025-02-27 v1
摘要
不完整多视图聚类因实际世界中广泛的缺失多视图数据而成为重要的研究问题。尽管已有方法取得了很大进展，但仍存在一些问题：1）大多数方法无法有效挖掘缺失数据中隐藏的信息；2）大多数方法通常将表示学习和聚类分为两个独立阶段，但这可能影响聚类性能，因为聚类结果直接依赖于所学表示。为此，我们提出一种基于层次信息传递的新型不完整多视图聚类方法。首先，我们设计了特定于视图的图卷积网络（GCN）以获取编码图结构的表示，然后融合到共识表示中。其次，考虑到单层 GCN 将传递一阶邻居节点信息，因此提出了用于处理缺失数据和学习深层表示的全局图传播。最后，我们设计了一个带权共享伪分类器，结合对比学习，以获得一个集成了视图特定表示学习、全局图传播与层次信息传递以及对比聚类的端到端框架。在几个常用数据集上进行的大量实验表明，我们方法在与其他最先进方法的比较中有效性和优越性。代码可在 GitHub 上获取。
引用
@article{arxiv.2502.19291,
title = {Global Graph Propagation with Hierarchical Information Transfer for Incomplete Contrastive Multi-view Clustering},
author = {Guoqing Chao and Kaixin Xu and Xijiong Xie and Yongyong Chen},
journal= {arXiv preprint arXiv:2502.19291},
year = {2025}
}