自学习对称多视图概率聚类
计算机视觉与模式识别
2024-08-19 v3
摘要
多视图聚类(MVC)已取得显著进展，诸多研究致力于从多个视图中学习知识。然而，大多数现有方法要么不适用于不完整 MVC，要么需要额外步骤来处理不完整 MVC。这一局限导致聚类质量差且对缺失视图的适应性弱。此外，噪声或离群点可能显著削弱整体聚类性能，而大多数现有方法未能很好应对。本文提出一种用于不完整与完整 MVC 的统一新框架，称为自学习对称多视图概率聚类(SLS-MPC)。SLS-MPC 提出一种新颖的对称多视图概率估计，并将多视图成对后验匹配概率等价转化为各视图独立分布之组合，从而容忍数据缺失并可扩展至任意视图数。随后，SLS-MPC 提出一种无需任何先验知识与超参数的新颖自学习概率函数以学习各视图的独立分布。接着，采用带路径传播与共邻传播之图上下文感知细化来精炼成对概率，从而缓解噪声与离群点的影响。最后，SLS-MPC 提出一种概率聚类算法，通过无类别信息地迭代最大化联合概率来调整聚类指派。在多个基准上的大量实验表明 SLS-MPC 优于先前最先进(state-of-the-art, SOTA)方法。
引用
@article{arxiv.2305.07307,
title = {Self-Learning Symmetric Multi-view Probabilistic Clustering},
author = {Junjie Liu and Junlong Liu and Rongxin Jiang and Yaowu Chen and Chen Shen and Jieping Ye},
journal= {arXiv preprint arXiv:2305.07307},
year = {2024}
}
备注
accepted by IEEE Transactions on Knowledge and Data Engineering(TKDE)