基于单簇聚类的非对齐多视图异常检测算法

摘要：

多视图数据广泛存在于现实,而异常也不可避免地伴随其中.现有的多视图异常检测方法针对的都是对齐的多视图场景,无法胜任更具挑战的非对齐多视图场景.为此,本文提出了4种基于单簇可能性C-均值(possibilistic C-means,PCM),即P1M (PCM,C=1)算法的非对齐多视图异常检测算法.不同于对齐的多视图场景,非对齐特性造成了样本在各视图间对应关系的缺失,以致我们无法利用在对齐场景下示例级的局部关键信息.为此,我们设法通过各视图的全局信息进行学习.本文的关键之处在于借助交替优化法为各视图分别学得一个变换矩阵,用其将各视图投影到一个公共子空间,进而在该公共子空间中用PIM学得所有训练数据对目标类的隶属度,并设置隶属度阈值,从而实现异常检测.在多个UCI数据集上的实验结果表明,本文方法能够有效应对非对齐多视图场景中的异常检测.

关键词：可能性C-均值、非对齐多视图、异常检测、公共子空间、单簇

所属期刊栏目：51

资助基金：国家自然科学基金61732006

在线出版日期：2022-03-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：2037-2052