层次化互信息分析：面向真实场景下的多视图聚类
人工智能
2023-10-31 v1 机器学习
摘要
多视图聚类（MVC）能够从由不同来源生成的无监督视图中挖掘共同语义，因而在实际计算机视觉应用中被广泛使用。由于时空异步，真实应用中的多视图数据常面临视图缺失且未对齐的问题，这使得一致表示的学习十分困难。针对上述挑战，本文提出一种深度多视图聚类框架，以层次化一致的方式融合数据恢复与对齐，最大化不同视图间的互信息并保证其潜空间的一致性。具体而言，我们首先利用双重预测填补缺失视图，同时实现实例级对齐，随后通过对比重建实现类别级对齐。据我们所知，这可能是首次采用不同学习范式分别处理缺失与未对齐数据问题的成功尝试。在公开数据集上的大量实验表明，即便在视图缺失与未对齐情况下，我们的方法在多视图聚类上仍显著优于当前最优（SOTA）方法。
引用
@article{arxiv.2310.18614,
title = {Hierarchical Mutual Information Analysis: Towards Multi-view Clustering in The Wild},
author = {Jiatai Wang and Zhiwei Xu and Xuewen Yang and Xin Wang},
journal= {arXiv preprint arXiv:2310.18614},
year = {2023}
}