.png){kind=icon}
返回
Diffusion-driven incomplete multi-view clustering via structured regularization and semantic alignment
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-026-02578-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不完整多视图聚类是机器学习和数据挖掘中的一个重要且具有挑战性的任务。由于视图缺失和视图异质性，现有方法在缺失视图恢复、跨视图语义对齐和聚类结构保持方面仍存在局限性，导致聚类结果不稳定且鲁棒性受限。为解决这些问题，我们提出了一种基于结构化正则化和语义对齐的扩散驱动不完整多视图聚类框架，简称DISCM。具体而言，DISCM首先通过基于扩散的对比恢复模块在潜在空间中稳定重构缺失视图特征。然后，引入结构化正则化学习模块，联合建模局部邻域约束和全局离散正则化，以保持数据结构并增强类间可分性。接着，引入协同分布对齐框架，结合信息协同保持和分布统计对齐，以显式减少融合表示与各视图之间的语义和分布差异。最后，采用聚类一致性优化模块，通过类级一致性约束和高置信度引导策略，联合优化多视图聚类预测并逐步锐化聚类边界。大量实验表明，DISCM在多个不完整多视图数据集上显著优于现有方法，尤其在缺失率较高场景下表现出更强的稳定性和鲁棒性。
Keyword:
Incomplete multi-view clustering
Diffusion-based contrastive recovery
Structured regularization learning
Collaborative distribution alignment
Clustering consistency optimization
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
.png){kind=icon}
Deep Incomplete Multi-View Clustering with Cross-View Partial Sample and Prototype Alignment具有跨视图部分样本和原型对齐的深度不完全多视图聚类
OAAI
OAAI分享收藏Graph t-SNE multi-view autoencoder for joint clustering and completion of incomplete multi-view data
PREAI
分享收藏Self‐supervised image clustering from multiple incomplete views via constrastive complementary generation基于对比互补生成的多视图不完整图像自监督聚类
OAAI
OAAI分享收藏
查看更多内容