基于可靠视图引导的非配准多视图聚类
计算机视觉与模式识别
2024-04-30 v1
摘要
本文聚焦于非配准多视图聚类（UMC）这一具有挑战性的问题，即在多个视图之间不存在配对的观测样本。其目标是利用所有视图中未配对的观测样本进行有效的联合聚类。在不完整多视图聚类中，现有方法通常依赖于视图间的样本配对来捕获其互补性。然而，这在UMC情况下并不适用。因此，我们旨在提取跨视图的一致聚类结构。在UMC中，存在两个具有挑战性的问题：由于缺乏标签导致的不确定聚类结构，以及由于缺乏配对样本导致的不确定配对关系。我们假设具有良好聚类结构的视图是可靠视图，它作为监督者来指导其他视图的聚类。在可靠视图的引导下，这些视图可以获得更确定的聚类结构，同时实现可靠视图与其他视图之间的对齐。然后，我们针对UMC提出了基于单个可靠视图的可靠视图引导方法（RG-UMC）和基于多个可靠视图的可靠视图引导方法（RGs-UMC）。具体来说，我们分别设计了针对单个可靠视图和多个可靠视图的对齐模块，以自适应地指导优化过程。同时，我们利用紧凑性模块来增强同一聚类内样本之间的关系。此外，对潜在表示施加正交约束以获得判别性特征。大量实验表明，在NMI指标上，RG-UMC和RGs-UMC分别平均优于最佳现有方法24.14%和29.42%。
引用
@article{arxiv.2404.17894,
title = {Unpaired Multi-view Clustering via Reliable View Guidance},
author = {Like Xin and Wanqi Yang and Lei Wang and Ming Yang},
journal= {arXiv preprint arXiv:2404.17894},
year = {2024}
}