基于联合投影学习与张量分解的不完整多视图聚类
机器学习
2023-10-09 v1
摘要
不完整多视图聚类（IMVC）日益受到关注，因为现实中样本的部分视图常常不完整。现有多数方法从原始不完整多视图数据学习相似子图，并通过探索各视图的不完整子图寻求完整图以进行谱聚类。然而，基于原始高维数据构建的图可能因特征冗余与噪声而次优。此外，先前方法通常忽略了在不完整图与完整图转换过程中由类间与类内结构变化引起的图噪声。为解决这些问题，我们提出一种新颖的基于联合投影学习与张量分解的方法（JPLTD）用于IMVC。具体而言，为减轻高维数据中冗余特征与噪声的影响，JPLTD引入正交投影矩阵将高维特征投影至低维空间以进行紧凑特征学习。同时，基于低维空间学习对应于不同视图实例的相似图，JPLTD将这些图堆叠为三阶低秩张量以探索跨视图的高阶相关性。我们进一步考虑由缺失样本引起的投影数据图噪声，并使用基于张量分解的图滤波器实现鲁棒聚类。JPLTD将原始张量分解为固有张量与稀疏张量。固有张量建模真实数据相似性。采用一种有效优化算法求解JPLTD模型。在多个基准数据集上的综合实验表明，JPLTD优于当前最优（SOTA）方法。JPLTD代码见 https://github.com/weilvNJU/JPLTD。
引用
@article{arxiv.2310.04038,
title = {Joint Projection Learning and Tensor Decomposition Based Incomplete Multi-view Clustering},
author = {Wei Lv and Chao Zhang and Huaxiong Li and Xiuyi Jia and Chunlin Chen},
journal= {arXiv preprint arXiv:2310.04038},
year = {2023}
}
备注
IEEE Transactions on Neural Networks and Learning Systems, 2023