.png){kind=icon}
返回
Consistent learning for incomplete multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.111656.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着人工智能在多视图数据分析领域的快速发展，针对不完整多视图数据的聚类已成为研究实际场景中数据缺失问题的一个热门方向。为有效解决这些问题，已提出大量创新方法。然而，大多数研究忽视了不同可用样本数量下的样本应具有不同权重的这一事实。此外，随着多视图数据结构日益复杂，我们应考虑引入超拉普拉斯矩阵而非传统拉普拉斯矩阵来挖掘高阶语义信息。本文提出了一种有效的多视图聚类方法以解决上述问题。我们将反映可用样本数量的权重向量融入一致表示矩阵的学习过程中。此外，我们考虑使用超拉普拉斯矩阵耦合来表示矩阵与样本的结构信息。本文在八个不同数据集上进行了大量实验，并选择九种先进的非完整多视图聚类方法进行对比。大量实验结果证明了该方法在不完整多视图聚类中的有效性。
Keyword:
multi-view clustering
incomplete multi-view data
weight vectors
hyper-Laplacian matrix
consensus representation
