掩码信息驱动的深度对比不完整多视图聚类
计算机视觉与模式识别
2025-04-01 v2 机器学习
摘要
多视图聚类 (MvC) 利用来自多个视图的信息来揭示数据的底层结构。尽管 MvC 取得了显著进展，但缓解特定视图中缺失样本对不同视图知识整合的影响仍然是一个关键挑战。本文提出了一种新颖的掩码信息驱动的深度对比不完整多视图聚类 (Mask-IMvC) 方法，该方法优雅地识别用于聚类的视图公共表示。具体而言，我们引入了一个掩码信息驱动的融合网络，该网络在聚合不完整的多视图信息时，将样本在各视图中的观测状态视为掩码，从而减少缺失值的不利影响。此外，我们设计了一种先验知识辅助的对比学习损失，通过注入来自不同视图的样本邻域信息，增强了聚合后的视图公共表示的表示能力。最后，进行了大量实验以证明所提出的 Mask-IMvC 方法在多个 MvC 数据集上（无论是在完整还是不完整场景下）均优于 SOTA 方法。
引用
@article{arxiv.2502.02234,
title = {Mask-informed Deep Contrastive Incomplete Multi-view Clustering},
author = {Zhenglai Li and Yuqi Shi and Xiao He and Chang Tang},
journal= {arXiv preprint arXiv:2502.02234},
year = {2025}
}