面向不完整多视图聚类的深度互信息最大化方法
多视图聚类是无监督学习领域研究热点之一,近年来涌现出许多优秀的多视图聚类工作,但其中大多数方法均假设各视图是完整的,然而真实场景下数据收集过程极容易发生缺失,造成部分视图不完整.同时,很多方法采取传统机器学习方法(即浅层模型)对数据进行特征学习,这导致模型难以挖掘高维数据内的复杂信息.针对以上问题,本文提出一种面向不完整多视图聚类的深度互信息最大化方法.首先利用深度自编码器挖掘各视图深层次的隐含特征,并通过最大化潜在表示间的互信息来学习各视图间的一致性知识.然后,对于不完整视图中的缺失数据,利用多视图的公共潜在表示进行补全.此外,本文采用一种自步学习策略对网络进行微调,从易到难地学习数据集中的样本,得到更加宜于聚类的特征表示.最后,在多个真实数据集上进行实验,验证了本文方法的有效性.
数据挖掘、聚类、不完整多视图聚类、多视图表示学习、深度学习、自编码器、互信息、自步学习
18
TP391(计算技术、计算机技术)
国家自然科学基金61976247
2023-03-03(万方平台首次上网日期,不代表论文的发表时间)
共11页
12-22