W-小饼干-优快云博客

原创基于不完整多视图聚类的自适应图补全

现有的针对不完整多视图数据的聚类方法忽略了缺失视图的隐藏信息和不同视图的信息不平衡。为了解决这些问题，本文提出了一种基于自适应图补全的不完全多视图聚类方法(AGC_IMC)。具体而言，AGC_IMC开发了一个图补全和共识表示学习的联合框架，该框架主要包含三个组成部分，即视图内保存、视图间推断和共识表示学习。为了减少信息不平衡的负面影响，AGC_IMC在共识表示学习过程中引入了一些自适应权重来平衡不同观点的重要性。谱聚类主要是提取一个揭示样本间内在关系的图来进行聚类，因此可以看作是基于图的聚类方法。

2024-05-20 21:40:42 1184 2

原创《基于视图进化方案的不平衡不完整多视图聚类:弱肉强食》

不同的视图通常具有不同的不完整性，即不平衡的不完整性，这导致强视图(低不完整性视图)和弱视图(高不完整性视图)。不平衡的不完备性使我们不能直接使用以前的方法。本文受有效生物进化理论的启发，设计了一种新的视图进化方案，对强视图和弱视图进行聚类。此外，我们提出了一种基于视图进化的非平衡不完全多视图聚类方法(UIMC)，这是第一个有效的非平衡不完全多视图聚类方法。对于不完整的多视图数据集，第v个原始视图矩阵(包括缺失和呈现的实例)表示为X^-- (v)∈R^dv×m，其中dv为特征维数，m为实例数。

2024-05-19 19:27:53 2070

原创自监督图补全的不完整多视图聚类

从一个新的角度开发了一种新的方法来促进IMVC。具体而言，我们将缺失实例问题转化为不完整视图的相似图补全问题，并提出了一种自监督多视图图补全算法来推断相关的缺失条目。此外，通过结合约束特征学习，推断图可以自然地用于表示学习。我们从理论上证明了我们的特征学习过程通过编码学习到的相似图来执行自回归过滤函数，这可以为聚类任务产生判别表示。

2024-05-13 12:27:03 2226 1

原创不完整多视图聚类中潜在空间缺失实例的学习

提出了一种不完全多视图聚类方法(MISS)，该方法可以同时学习潜在空间中的缺失实例和自表示。我们不是在原始数据空间中填充缺失实例，而是在潜在空间中学习缺失实例和自表示，从而在保留数据原始潜在空间结构的同时掌握缺失实例的特征。此外，还提出了一种新的融合矩阵。缺失的实例由潜在空间中已知实例的线性组合表示。根据多视图聚类中潜在空间的自表示学习，同时学习融合矩阵。还提出了完备性约束，以保证缺失实例的学习方向尽可能接近原始数据。

2024-05-12 16:33:37 1107

原创基于联合投影学习和张量分解的不完整多视图聚类

由于特征冗余和噪声，在原始高维数据上构建的图可能不是最优的。此外，在不完全图和完全图的转换过程中，通常忽略了类间和类内结构变化所引起的图噪声。为了解决这些问题，我们提出了一种基于联合投影学习和张量分解(JPLTD)的IMVC方法。具体来说，为了减轻高维数据中冗余特征和噪声的影响，JPLTD引入了一个正交投影矩阵，将高维特征投影到低维空间中进行紧凑的特征学习。同时，基于低维空间，学习不同视图实例对应的相似图，JPLTD将这些相似图叠加成三阶低秩张量，探索不同视图之间的高阶相关性。

2024-05-12 11:10:58 1066

原创《子空间分割和特征提取的潜在低秩表示》

低秩表示(Low-Rank Representation, LRR)是一种探索数据多个子空间结构的有效方法。通常选择观测数据矩阵本身作为字典，这是LRR的一个关键方面。然而，这种策略可能会降低性能，特别是当观察结果不充分和/或严重损坏时。因此，在本文中，我们建议使用观察到的和未观察到的隐藏数据来构建字典。我们证明了通过求解一个核范数最小化问题可以近似地恢复隐藏数据的影响，这个核范数最小化问题是凸的，可以有效地求解。

2024-05-11 13:19:34 1368 1

原创《数据恢复与图对比去噪的联合学习的不完整多视图聚类》

我们提出了一种新的不完全多视图聚类统一图对比学习框架(UGCF)，它联合学习数据恢复、图对比去噪和聚类。具体来说，UGCF首先通过利用每个视图中的保守关系恢复丢失的值，并保留数据中的局部结构。其次，UGCF通过学习每个视图对象的关联结构来消除多视图数据的异构性，并通过操纵关联图的拓扑结构来构建多视图数据的统一图。为了提高顶点特征的质量，通过选择正、负样本对统一的图进行图对比学习，大大提高了特征的判别性，从而消除了数据中的噪声。最后，UGCF将数据恢复、图对比去噪和聚类集成到一个总体目标中。

2024-05-11 10:11:10 1153 1

原创《不完整多视图聚类与缺失视图推断的统一张量框架》

本文提出了一种基于缺失视图推断的不完全多视图张量谱聚类方法(IMVTSC-MVI)来解决具有挑战性的缺失视图多视图聚类问题。不同于现有方法一般只关注挖掘可用视图的某些信息，而忽略缺失视图的隐藏信息和数据的视图内信息。IMVTSC-MVI试图恢复丢失的视图，并探索这些恢复视图和可用视图的完整信息，用于数据聚类。特别是，IMVTSC-MVI将基于特征空间的缺失视图推断和基于流形空间的相似图学习整合到一个统一的框架中。通过这种方式，IMVTSC-MVI使这两个学习任务相互促进，可以很好地挖掘缺失视图的隐藏信息。

2024-05-10 15:29:30 774 1

原创《保留高阶相关性的不完整多视图子空间聚类》

本文提出了一种新的不完全多视图聚类方法，该方法通过保持高阶相关性来联合执行缺失视图推断和子空间结构学习。引入超图诱导的超拉普拉斯正则化项和张量分解项来捕捉高阶样本相关性和视图相关性。我们将多个亲和矩阵视为一个三阶低秩张量，并使用张量分解来捕获高阶视图和样本相关性。然后，以自加权的方式融合特定于视图的亲和矩阵，得到统一的亲和矩阵。其次，我们从统一关联矩阵构造超图，以保持不完整视图数据的高阶几何结构。然后，我们用超图诱导的超拉普拉斯正则化约束缺失的视图样本由其相邻样本重构。

2024-05-10 14:57:33 2529 2

2301_79917082的博客