不完整多视角聚类的简单而有效的选择性插补
计算机视觉与模式识别
2026-01-21 v2 多媒体
摘要
不完整多视角聚类（IMC）已成为多视角学习中的一个重要挑战。IMC的主导方法是数据插补；然而，无差别插补可能导致不可靠的内容。最近，研究者提出了选择性插补方法，采用插补后评估策略：（1）插补所有或部分缺失值，（2）通过聚类任务评估其质量。我们观察到该策略带来了大量计算复杂度，并且严重依赖于聚类模型的性能。为应对这些挑战，我们首先引入了插补前评估的概念。我们提出了一种基于隐式信息量的选择性插补（SI³）方法，用于不完整多视角聚类，明确处理插补效用与插补风险之间的权衡。SI³以训练无关的方式评估每个缺失位置的插补相关性信息量，仅在有足够的信息支持时才选择性插补数据。在多视角生成假设下，SI³进一步将选择性插补整合到变分推断框架中，实现潜在分布层面的不确定性感知插补和鲁棒的多视角融合。与现有的选择性插补策略相比，SI³轻量、数据驱动且模型无关，可以作为插件策略无缝集成到现有的不完整多视角聚类框架中。在多个基准数据集上的广泛实验表明，SI³持续优于基于插补和无插补方法，特别是在具有挑战性的不平衡缺失场景下。
引用
@article{arxiv.2512.10327,
title = {Simple Yet Effective Selective Imputation for Incomplete Multi-view Clustering},
author = {Cai Xu and Jinlong Liu and Yilin Zhang and Ziyu Guan and Wei Zhao and Xiaofei He},
journal= {arXiv preprint arXiv:2512.10327},
year = {2026}
}
备注
Under Review