基于流形的双一致性引导不完整多视图聚类
机器学习
2024-05-21 v1 人工智能
摘要
不完整多视图聚类主要关注将未标记数据划分为具有缺失实例的相应类别，并因其在实际应用中的优越性而受到广泛关注。考虑到不完整数据的影响，现有方法大多试图通过添加额外项来恢复数据。然而，对于无监督方法，简单的恢复策略会导致误差和异常值累积，从而影响方法性能。总的来说，以前的方法没有考虑恢复实例的有效性，或者不能灵活地平衡恢复数据与原始数据之间的差异。为了解决这些问题，我们提出了一种新方法，称为基于流形的双一致性引导不完整多视图聚类（MIMB），该方法灵活地恢复不同视图中的不完整数据，并试图通过反向正则化实现双一致性引导。特别地，MIMB通过恢复缺失实例向表示学习添加重构项，动态检查潜在共识表示。此外，为了保持多个视图之间的一致性信息，MIMB实施了一种双一致性引导策略，对共识表示进行反向正则化，并提出了一种流形嵌入度量来探索恢复数据的隐藏结构。值得注意的是，MIMB旨在平衡不同视图的重要性，并为每个视图引入自适应权重项。最后，设计了一种交替迭代优化策略的优化算法用于最终聚类。在6个基准数据集上的大量实验结果证实，与几种最先进的基线相比，MIMB可以显著获得更好的结果。
引用
@article{arxiv.2405.10987,
title = {Manifold-based Incomplete Multi-view Clustering via Bi-Consistency Guidance},
author = {Huibing Wang and Mingze Yao and Yawei Chen and Yunqiu Xu and Haipeng Liu and Wei Jia and Xianping Fu and Yang Wang},
journal= {arXiv preprint arXiv:2405.10987},
year = {2024}
}