自适应图融合的缺失多视图聚类算法

多视图聚类能充分利用不同视图间数据的一致性和差异性,引起越来越多的关注。传统多视图聚类方法假设每个视图的数据都是完整的,然而在实际应用中,收集到的多视图数据常存在部分视图缺失的样本。为了对缺失多视图数据进行聚类分析,提出自适应图融合的缺失多视图聚类算法(IMC_AGF)。算法以两两视图间共有样本为瞄点构建样本-样本的相似度矩阵,学习其一致性知识,再利用两两视图间的互补性,用自适应图融合算法整合所有的相似度图,获取缺失多视图数据完整的相似度矩阵,然后进行谱聚类得到分类结果。实验结果表明,提出的算法优于与之比较的经典缺失多视图聚类方法。

不完整多视图聚类综述

多视图聚类是近年来图数据挖掘领域的研究热点。由于数据采集技术的限制或人为因素等原因常导致视图或样本缺失问题。降低多视图的不完整性对聚类效果的影响是多视图聚类目前面临的重大挑战。因此,综合研究不完整多视图聚类(IMC)近年的发展具有重要的理论意义和实践价值。首先,归纳分析不完整多视图数据缺失类型;其次,详细比较基于多核学习(MKL)、矩阵分解(MF)学习、深度学习和图学习这4类IMC方法,分析代表性方法的技术特点和区别;再次,从数据集类型、视图和类别数量、应用领域等角度总结22个公开不完整多视图数据集;继次,总结评价指标,并系统分析现有不完整多视图聚类方法在同构和异构数据集上的性能表现;最后,归纳分析不完整多视图聚类目前存在的问题、未来的发展方向和现有应用领域。

自适应标记关联与实例关联诱导的缺失多视图弱标记学习

针对多视图多标记学习中视图不完整和标记不完整问题,提出一种自适应标记关联与实例关联诱导的缺失多视图弱标记学习模型。模型假设样本各视图特征基于一个共享表示,通过不同映射得到。首先通过嵌入指示矩阵进行矩阵分解,充分利用已有的不完整多视图弱标记数据,然后引入图论中学习标准拉普拉斯矩阵的技术来刻画标记关联关系、实例关联关系,从而在模型里嵌入流形正则化思想,使学到的潜在共享表示以及分类器更加合理,最后在4个多视图多标记数据集上实验。实验结果表明,所提方法能够有效解决不完整多视图弱标记学习问题。

基于StarGAN和子空间学习的缺失多视图聚类

传统多视图聚类方法假设每一个视图的数据都是完整的。然而,现实生活中有些数据在某些视图上缺失,由此产生了缺失多视图聚类问题。现有的缺失多视图聚类方法大多是基于核矩阵和非负矩阵分解提出的。这些方法大多只是学习一个共有的聚类结构,没有充分利用已有的数据信息推断缺失的数据。基于星型生成对抗网络(StarGAN)和子空间学习,本文中提出了一种缺失多视图聚类算法SSPMVC。SSPMVC充分利用已有的数据信息,用基于StarGAN的生成模型生成视图缺失的数据,捕获了视图数据的完整性和一致性全局结构,然后将补全的多视图数据在子空间进行聚类。SSPMVC将生成模型和聚类模型联合训练,交替优化生成模型和聚类模型。实验结果表明,论文提出的算法优于与之比较的经典的多视图聚类方法。

基于锚点图的低秩缺失多视图子空间聚类

经典的多视图聚类任务针对的是完整数据,然而实际任务中受限于信息的获取渠道,某些视图往往含有缺失数据,由此引出了缺失多视图聚类问题。针对此问题,现有的聚类模型大多基于非负矩阵分解或距离构造聚类图,存在着联合优化使解的性能得不到保障以及无法对全局结构进行充分刻画的不足。为了提升聚类图的性能,基于低秩子空间聚类和锚点图,文中提出了一种低秩缺失多视图子空间聚类算法ALIMSC。该算法先通过基于锚点图的缺失多视图聚类(APMC)算法得到数据的基准相似矩阵,将其嵌入低秩子空间聚类模型,通过升维对齐和加权融合的方法得到相似矩阵,再通过让相似矩阵与基准相似矩阵尽可能的一致来求得最终的聚类图。ALIMSC算法通过对每个视图的相似矩阵施加秩最小化约束来刻画高维数据的低维子空间分布,在原有锚点图的基础上进一步强调了数据的子空间算法结构,即聚类图中所体现的块对角性。在多个公开数据集上的实验结果表明,本文算法的聚类性能优于所对比的缺失多视图聚类算法。

生成式不完整多视图数据聚类

基于自表示子空间聚类的多视图聚类引起越来越多的关注.大多数现有算法假设每个样本的所有视图都可获得,然而在实际应用中,由于各种因素,可能会导致某些视图缺失.为了对视图不完整数据进行聚类,本文提出了一种在统一框架下同时执行缺失视图补全和多视图子空间聚类的方法.具体地,缺失视图是由已观测视图数据约束的隐表示生成的.此外,多秩张量应用于挖掘不同视图之间的高阶相关性.这样通过隐表示和高阶张量同时挖掘了不同视图以及所有样本(即使是不完整视图样本)之间的相关性.本文使用增广拉格朗日交替方向最小化(AL-ADM)方法求解优化问题.在真实数据集上的实验结果表明,我们的方法优于最新的多视图聚类算法,具有更好的聚类准确度和鲁棒性.

改进的自步深度不完备多视图聚类

随着数据量的增大,多视图聚类中出现带有缺失视图数据的情况愈发常见,此问题被称为不完备多视图聚类,而引入深度模型进行聚类通常可以获得比浅层模型更为出色的表现。本文提出一种新颖的深度不完备多视图聚类模型,称为改进的自步深度不完备多视图聚类。在该模型中,充分考虑多视图数据之间的互补性,利用基于多视图特性的最近邻填充方案将缺失视图补全。使用多个自编码器分别获取多个视图数据的低维潜在特征,同时引入图嵌入策略保持潜在特征之间的几何结构。运用一致性原则将来自不同的视图潜在特征融合以获得一致潜在特征,在此基础上运用自步学习的方法来增强聚类效果。实验结果表明,对比现有的不完备多视图聚类模型,本文模型可以更加灵活且高效地应对各种不完备多视图聚类情况,提升了不完备多视图聚类的鲁棒性与表现效果。