面向不完整多视图聚类的联合张量与视图间低秩恢复
机器学习
2025-03-05 v1
摘要
不完整多视图聚类（IMVC）因其在现实多视图聚类应用中处理不同视图缺失样本挑战的有效性而受到广泛关注。大多数IMVC方法通过从可用视图学习一致性表示或利用潜在的流形结构重构缺失样本来解决此问题。然而，先前研究中对学习到的相似性图张量的重构仅利用了管秩低秩信息，忽略了对视图间相关性的探索。本文提出了一种新颖的联合张量与视图间低秩恢复（JTIV-LRR），将IMVC构建为一个整合不完整相似性图学习与张量表示恢复的联合优化问题。通过利用视图内与视图间的低秩信息，该方法通过去除稀疏噪声并在不同模式上施加管秩低秩约束，实现了对完整相似性图张量的鲁棒估计。在合成数据集与真实数据集上的大量实验证明了所提方法的优越性，与最先进方法相比，在聚类精度和鲁棒性上均取得了显著提升。
引用
@article{arxiv.2503.02449,
title = {Joint Tensor and Inter-View Low-Rank Recovery for Incomplete Multiview Clustering},
author = {Jianyu Wang and Zhengqiao Zhao and Nicolas Dobigeon and Jingdong Chen},
journal= {arXiv preprint arXiv:2503.02449},
year = {2025}
}
备注
The paper is under review at IEEE Transactions on Knowledge and Data Engineering