面向自步多视图聚类的非线性融合
机器学习
2021-04-20 v1
摘要
随着多媒体与多模态数据的发展，多视图聚类（MVC）近年受到越来越多关注。该领域最关键的挑战之一是不同视图的特征与质量通常差异巨大。因此，MVC方法找到恰当处理多视图多样性的有效途径至关重要。为此，过去几年提出了一系列聚焦于如何集成各视图损失的MVC方法。其中主流思路是为各视图分配权重再线性组合。本文受非线性组合在实例学习中的有效性及自加权方法的启发，提出面向自步多视图聚类的非线性融合（NSMVC），其与常规线性加权算法完全不同。在NSMVC中，我们依据各视图质量直接赋予不同指数。如此可显著削弱受损视图的负面影响。同时，为解决MVC模型的非凸问题，我们进一步定义了无正则化项的自步学习（SPL）新模态，其与所提非线性模型完美契合。在多个真实数据集上的实验结果证明了该方法的有效性。
引用
@article{arxiv.2104.09255,
title = {Non-Linear Fusion for Self-Paced Multi-View Clustering},
author = {Zongmo Huang and Yazhou Ren and Xiaorong Pu and Lifang He},
journal= {arXiv preprint arXiv:2104.09255},
year = {2021}
}