基于元学习和对比特征对齐的部分多视图聚类
计算机视觉与模式识别
2024-11-18 v1 机器学习
摘要
部分多视图聚类（PVC）在现实应用的数据分析中提出了重大挑战，尤其是当数据的某些视图部分缺失时。现有聚类方法难以有效处理不完整视图，导致聚类性能欠佳。本文提出了一种基于对比学习的新型双重优化框架，旨在最大化不完整多视图数据中潜在特征的一致性，并通过深度学习模型提升聚类性能。通过结合微调的视觉变换器（Vision Transformer）和k近邻（KNN），我们利用自监督学习和元学习填补缺失视图并动态调整视图权重。实验结果表明，我们的框架在BDGP和HW数据集上优于最先进的聚类模型，特别是在处理复杂和不完整的多视图数据方面。
引用
@article{arxiv.2411.09758,
title = {Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment},
author = {BoHao Chen},
journal= {arXiv preprint arXiv:2411.09758},
year = {2024}
}