生成式不完整多视图数据聚类.docx

生成式不完整多视图数据聚类 本篇论文提出了一种新的多视图聚类方法，旨在解决不完整多视图数据聚类问题。该方法可以同时补全缺失的数据和探索多个视图之间的高阶相关性。该方法使用生成模型对隐空间进行建模，并基于隐表示生成完整特征。根据完整的数据，GM-PMVC 将子空间表示集成到一个张量中，可以挖掘多视图数据高阶相关性。 多视图学习研究表明，有效利用不同视图之间的一致性和互补性可以显著提高任务（如多视图聚类/分类）性能。在聚类方面，已有大量的研究将单视图聚类扩展到多视图聚类。这些方法中，基于自表示的多视图子空间聚类方法通过可学习的关系矩阵处理复杂的高维数据，取得了显著效果。最近，一些相关研究将谱聚类和自表示关系图联合优化，进一步提高多视图融合效果。 然而，对于视图缺失的情况，现有的方法大多是先对缺失值进行补全，然后对后续任务应用传统的多视图学习算法。这些方法侧重于缺失视图的填充，而不是具体的分析任务（如聚类），因此不能保证后续任务的性能。 本文提出了一种新颖的多视图聚类方法，可以同时补全缺失的数据和探索多个视图之间的高阶相关性。该方法可以灵活地处理具有任意视图缺失模式的数据，并利用生成模型和高阶张量充分挖掘不同视图之间的相关性。实验结果表明，该方法比现有算法具有更好的性能。 本文的贡献总结如下： 1. 针对不完整视图数据，提出了一种新的多视图子空间聚类算法，该算法能够在统一的框架下补全缺失数据并进行多视图聚类。 2. 与现有的不完整多视图聚类算法相比，该算法能够灵活地处理具有任意视图缺失模式的数据，并利用生成模型和高阶张量充分挖掘不同视图之间的相关性。 3. 利用增广拉格朗日交替方向最小化（AL-ADM）方法对算法进行了有效的优化，并在不同的数据集上进行了充分实验。 本文使用的主要符号和定义如表 1 所示： 表 1 符号与定义 bb：标量 BB：矩阵 \boldsymbolb：向量 BB：张量 II：单位张量 fft：快速傅里叶变换 Bijk：张量 BB 第（i,j,k）元素 QQ：正交张量 B(i,:,:): 第 ii 水平切片 BTBT：BB 的转置 B(:,i,:): 第 ii 侧面切片 Bf：fft(B,[],3) B(:,:,i)：第 ii 正面切片 B(i)：bb 标量 ||B||F：张量的 Frobenius 范数 本文提出了一种新的多视图聚类方法，可以解决不完整多视图数据聚类问题，具有良好的性能和灵活性。