谱扰动遇上不完整多视图数据
机器学习
2019-06-04 v1 人工智能
机器学习
摘要
在现有多视图聚类之外，本文研究了一种更现实的聚类场景，称为不完整多视图聚类，其中若干数据实例在某些视图中缺失。为应对该问题，我们探究谱扰动理论。本工作中，我们揭示了扰动风险界与不完整多视图聚类之间的强关联。即，由于输入谱聚类的相似度矩阵是量级有界O(1)的量，我们将缺失问题从数据转移到相似度，并量身定制了一种针对不完整相似度矩阵的矩阵补全方法。此外，我们表明不同视图间扰动风险界的最小化可最大化所有视图的最终融合结果。这为多视图数据提供了可靠的融合准则。我们提出动机并给出了一种面向扰动的 incomplete 多视图聚类（PIC）方法。实验结果证明了所提方法的有效性。
引用
@article{arxiv.1906.00098,
title = {Spectral Perturbation Meets Incomplete Multi-view Data},
author = {Hao Wang and Linlin Zong and Bing Liu and Yan Yang and Wei Zhou},
journal= {arXiv preprint arXiv:1906.00098},
year = {2019}
}
备注
to appear in IJCAI 2019