基于原型的填补用于不完全多视图聚类
机器学习
2023-01-31 v2
摘要
在本文中，我们研究如何在不完全多视图聚类（IMvC）中实现备受期待的两个特性。即，i）实例共性指簇内实例应共享一种共同模式，ii）视图多样性指跨视图样本应拥有视图特定模式。为此，我们设计了一种新颖的双流模型，其采用双注意力层与双对比学习损失来学习视图特定原型并建模样本-原型关系。当视图缺失时，我们的模型利用缺失视图中的原型以及从观测视图继承的样本-原型关系执行数据恢复。得益于我们的双流模型，簇特定与视图特定信息均可被捕获，从而可保留实例共性与视图多样性以促进 IMvC。大量实验证明了我们的方法在六个具挑战性基准上相较 11 种方法的优越性。代码将被发布。
引用
@article{arxiv.2301.11045,
title = {Incomplete Multi-view Clustering via Prototype-based Imputation},
author = {Haobin Li and Yunfan Li and Mouxing Yang and Peng Hu and Dezhong Peng and Xi Peng},
journal= {arXiv preprint arXiv:2301.11045},
year = {2023}
}
备注
7pages, 6 figures