URRL-IMVC：用于不完整多视图聚类的统一和鲁棒表示学习

不完整多视图聚类（IMVC）旨在对仅部分可用的多视图数据进行聚类。这提出了两个主要挑战：有效利用多视图信息以及减轻缺失视图的影响。现有方法采用跨视图对比学习和缺失视图恢复技术，但要么忽略仅聚焦于视图之间共识的有价值互补信息，要么由于缺乏监督信息而提供不可靠的恢复视图。为此，我们提出一种 novel 方法：不完整多视图聚类的统一和鲁棒表示学习（URRL-IMVC）。URRL-IMVC通过整合来自多个视图和相邻样本的信息，直接学习一种对视图缺失情况鲁棒的统一嵌入。首先，为克服跨视图对比学习的局限性，URRL-IMVC融合注意力机制的自编码器框架以生成统一嵌入。其次，URRL-IMVC通过KNN插值和数据增强技术，直接增强统一嵌入对视图缺失情况的鲁棒性，无需显式的缺失视图恢复。最后，引入增量改进进一步提升整体性能，如聚类模块和编码器的定制化。我们在多个基准数据集上广泛评估了所提出的URRL-IMVC框架，证明其实现了状态的最佳性能。此外，还进行了全面的消融研究，以验证设计的有效性。