基于StarGAN和子空间学习的缺失多视图聚类

摘要：

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(Star-GAN)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.

关键词：缺失多视图、子空间聚类、星型生成对抗网络

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目;广东省自然科学基金资助项目

在线出版日期：2020-12-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：87-98