基于缺失模式树的决策分组与集成以提升深度不完整多视图聚类的配对利用

现实世界的多视图数据常呈现高度不一致的缺失模式，这对不完整多视图聚类（IMVC）提出了重大挑战。虽然现有IMVC方法在基于插值的和基于非插值的方法上取得了进展，但它们大体上忽略了配对 underutilization 的问题。具体而言，不一致的缺失模式阻止了不可完整但可用的数据多视图配对得到充分利用，从而限制了模型性能。为解决这一局限性，我们提出了一种新颖的基于缺失模式树的IMVC框架。具体而言，为充分利用可用的数据多视图配对，我们首先引入缺失模式树模型，依据其缺失模式将数据分组到多个决策集合中，然后在每个集合内进行多视图聚类。进一步提出了一种多视图决策集成模块，用于聚合所有决策集合中的聚类结果。该模块推断不确定性加权，以抑制不可靠的聚类决策并产生稳健的输出。最后，我们开发了一种从集成到 individual 的知识蒸馏模块，将集成知识传递到视图特定的聚类模型中。这种设计通过优化跨视图一致性和簇间判别损失，实现了集成和 individual 模块之间的相互增强。广泛的理论分析支持我们的关键设计，经验实验在多个基准数据集上表明，我们的方法有效缓解了配对 underutilization 问题，并实现了卓越的IMVC性能。