具有结构对齐的可扩展不完整多视图聚类
机器学习
2023-09-01 v1
摘要
现有多视图聚类（MVC）的成功依赖于所有视图均完整的假设。然而，由于数据损坏或传感器故障，样本通常仅部分可用，这催生了不完整多视图聚类（IMVC）的研究。尽管已有若干基于锚点的IMVC方法被提出以处理大规模不完整数据，它们仍存在以下缺陷：i）大多数现有方法忽视视图间差异并强制跨视图表示一致，这将损害模型的表示能力；ii）由于不同视图间样本差异，所学锚点可能未对齐，我们称之为不完整数据的锚点未对齐问题（AUP-ID）。此类AUP-ID会导致不准确的图融合并降低聚类性能。为解决这些问题，我们提出了一种称为具有结构对齐的可扩展不完整多视图聚类（SIMVC-SA）的新型不完整锚点图学习框架。具体而言，我们构建视图特定的锚点图以捕获来自不同视图的互补信息。为解决AUP-ID，我们提出一种新颖的结构对齐模块来精炼跨视图锚点对应关系。同时，锚点图构建与对齐在我们的统一框架中联合优化以提升聚类质量。通过锚点图构建而非全图，所提SIMVC-SA的时间与空间复杂度被证明与样本数量线性相关。在七个不完整基准数据集上的大量实验证明了我们所提方法的有效性与高效性。我们的代码公开于 https://github.com/wy1019/SIMVC-SA。
引用
@article{arxiv.2308.16541,
title = {Scalable Incomplete Multi-View Clustering with Structure Alignment},
author = {Yi Wen and Siwei Wang and Ke Liang and Weixuan Liang and Xinhang Wan and Xinwang Liu and Suyuan Liu and Jiyuan Liu and En Zhu},
journal= {arXiv preprint arXiv:2308.16541},
year = {2023}
}