基于共识语义学习驱动的无缺失、无对齐的多视图聚类
计算机视觉与模式识别
2025-05-19 v1 人工智能
摘要
在多视图聚类（IMVC）中，缺失数据会导致视图内的原型偏移以及视图间的语义不一致。可行的解决方案是探索成对的完整观察中的跨视图一致性，进而对跨视图中固有共享的相似性关系进行插值和对齐。然而，现有方法受制于两个层面的限制：（1）既不是基于实例的，也不是基于聚类的一致性学习无法构建跨视图共享的语义空间以实现共识语义学习。前者强制跨视图实例对齐，错误地将语义一致的未配对观察视为负样本；后者关注跨视图聚类对应项，同时粗略地处理视图内的细粒度类内关系。（2）过度依赖一致性结果，导致在不Incorporate视图特定聚类信息的情况下，插值和对齐不可靠。因此，我们提出了IMVC框架，即基于共识语义学习的无插值、无对齐框架（FreeCSL）。为弥合所有观察之间的语义差距，我们从可用数据中学习共识原型，以发现共享空间，在该空间中将语义相似的观察拉近，以实现共识语义学习。为了捕捉特定视图内的语义关系，我们设计了基于模块性的启发式图聚类，以实现类内紧凑性和类间分离，以增强聚类语义。广泛的实验表明，与最新竞争方法相比，FreeCSL在IMVC任务上实现了更可信、更稳健的分配。
引用
@article{arxiv.2505.11182,
title = {Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning},
author = {Yuzhuo Dai and Jiaqi Jin and Zhibin Dong and Siwei Wang and Xinwang Liu and En Zhu and Xihong Yang and Xinbiao Gan and Yu Feng},
journal= {arXiv preprint arXiv:2505.11182},
year = {2025}
}
备注
The paper has been accepted by the 42nd CVPR 2025. The main text has 9 pages, including 8 figures and 4 tables. The appendix has 8 pages, with 10 figures and 6 tables. The reference list has 3 pages