基于深度对抗的不完备多视图聚类算法研究

已有的深度学习方法忽略了恢复缺失视图数据的重要性,且不能充分利用隐藏在多视图数据中的互补信息和高阶信息,导致对不完备多视图的聚类效果欠佳。针对该问题,首先利用生成对抗网络可以生成与样本数据分布一致的生成数据的特点,来实现多视图数据中不完备数据的生成;然后利用多视图子空间聚类技术完成不同视图的共享描述,得到相似性系数矩阵;最后运用改进后的K-means算法完成不完备多视图的聚类。实验数据表明提出的算法在聚类的准确性上有较大的提升。

不完备多视图的在线反向图正则化聚类

在如今的大数据时代,多视图数据引起了越来越多的关注,对多视图聚类的假设是所有视图都是完整的,然而,这种假设在实际应用中很难得到满足。因此不完备多视图聚类是一个重要挑战。针对大规模的不完备多视图数据,考虑到其数据的特征,利用互补性和一致性,论文提出了一种基于非负矩阵分解的在线反向图正则化聚类方法,首先利用加权非负矩阵分解作为基础模型,考虑到缺失实例的影响,引入一个动态权重矩阵;其次,学习所有视图的潜在特征矩阵并得到一个共识矩阵;同时,考虑到挖掘数据的局部结构,在基础模型上增加反向图正则化项;最后,对于大规模的数据,分块处理多视图数据以减少内存需求。在四个真实的数据集上进行了大量实验证明了所提出的方法的有效性。