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...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 47; no. 8; pp. 1867 - 1875
Main Authors 赵博宇, 张长青, 陈蕾, 刘新旺, 李泽超, 胡清华
Format Journal Article
LanguageChinese
Published 江苏省大数据安全与智能处理重点实验室 南京210023%江苏省大数据安全与智能处理重点实验室 南京210023 01.08.2021
南京邮电大学计算机学院 南京210023%国防科技大学计算机学院 长沙410073%南京理工大学计算机科学与工程学院 南京210094
天津大学智能与计算学部 天津300350%天津大学智能与计算学部 天津300350
Subjects
生成式模型
视图缺失
多视图聚类
张量
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.c200121

Cover

More Information
Summary: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.
ISSN:0254-4156
DOI:10.16383/j.aas.c200121