局部化稀疏不完全多视图聚类
计算机视觉与模式识别
2023-03-14 v3 人工智能
摘要
不完全多视图聚类旨在解决部分视图缺失的不完全多视图数据的聚类问题，近年来受到越来越多的关注。尽管已提出众多方法，但大多数方法要么无法灵活处理具有任意缺失视图的不完全多视图数据，要么未考虑视图间信息不平衡的负面因素。此外，一些方法未充分探索所有不完全视图的局部结构。为解决这些问题，本文提出一种简单而有效的方法，称为局部化稀疏不完全多视图聚类（LSIMVC）。与现有方法不同，LSIMVC旨在通过优化稀疏正则化且新颖的图嵌入多视图矩阵分解模型，从不完全多视图数据中学习稀疏且结构化的共识潜在表示。具体而言，在该基于矩阵分解的新颖模型中，引入基于l1范数的稀疏约束以获得稀疏低维个体表示和稀疏共识表示。此外，引入一种新颖的局部图嵌入项来学习结构化共识表示。与现有工作不同，我们的局部图嵌入项将图嵌入任务与共识表示学习任务聚合为一个简洁的项。进而，为降低不完全多视图学习的不平衡因素，LSIMVC引入了自适应加权学习方案。最后，给出了一种高效的优化策略来求解所提模型的优化问题。在六个不完全多视图数据库上的综合实验结果表明，我们的LSIMVC性能优于SOTA的IMC方法。代码见https://github.com/justsmart/LSIMVC。
引用
@article{arxiv.2208.02998,
title = {Localized Sparse Incomplete Multi-view Clustering},
author = {Chengliang Liu and Zhihao Wu and Jie Wen and Chao Huang and Yong Xu},
journal= {arXiv preprint arXiv:2208.02998},
year = {2023}
}
备注
Published in IEEE Transactions on Multimedia (TMM). The code is available at Github https://github.com/justsmart/LSIMVC