基于互信息视角的多视图聚类
机器学习
2023-05-31 v2
摘要
探索多视图数据的互补信息以改善聚类效果是多视图聚类中的关键问题。本文提出一种基于信息论的新模型，称为信息性多视图聚类（IMVC），其提取隐藏于多视图数据中的公共与视图特有信息，并构建面向聚类的综合表示。更具体地，我们将多个特征拼接为统一特征表示，随后将其通过编码器以提取跨视图的公共表示。同时，各视图的特征分别送入编码器以产生紧凑的视图特有表示。由此，我们约束公共表示与视图特有表示之间的互信息最小，从而获得多层次信息。进一步，将公共表示与视图特有表示拼接以建模各视图的精炼表示，并将其输入解码器以重构初始数据，同时最大化其互信息。为形成综合表示，将公共表示与所有视图特有表示拼接。此外，为使综合表示更适配聚类任务，我们最大化实例与其 k 近邻之间的互信息以增强类内聚合，从而在整体层面诱导不同聚类的良好分离。最后，我们在六个基准数据集上进行了大量实验，实验结果表明所提 IMVC 优于其他方法。
引用
@article{arxiv.2302.08743,
title = {Multi-View Clustering from the Perspective of Mutual Information},
author = {Fu Lele and Zhang Lei and Wang Tong and Chen Chuan and Zhang Chuanfu and Zheng Zibin},
journal= {arXiv preprint arXiv:2302.08743},
year = {2023}
}
备注
We think the paper writing isn't good enough, so we would like to withdraw the paper and renew the writing manner