用于不完全多视图学习的潜在异构图网络

近年来多视图学习取得了快速进展。尽管许多先前研究假设每个实例出现在所有视图中，但在真实应用中实例缺失于某些视图是常见的，导致不完全多视图数据。为解决此问题，我们提出一种用于不完全多视图学习的新型潜在异构图网络（LHGN），旨在以灵活方式尽可能充分地利用多个不完全视图。通过学习统一的潜在表示，不同视图间一致性与互补性之间的权衡被隐式实现。为探索样本与潜在表示之间的复杂关系，我们首次提出邻域约束与视图存在约束来构造异构图。最后，为避免训练与测试阶段间的不一致，基于图学习应用了一种转导学习技术用于分类任务。在真实数据集上的大量实验结果证明了我们的模型相对于现有最先进方法的有效性。