DPAS-Net: dynamic prototype alignment and separation network for incomplete data multi-view clustering

Yufeng Sun

doi:10.1007/s10489-026-07510-9

2026-10-06

PRE

Yufeng Sun

朱

朱昌明 (Changming Zhu) *

DOI：10.1007/s10489-026-07510-9

原文链接

原文求助

摘要

En 中文

不完整多视图聚类（IMVC）旨在识别某些视图缺失时的簇结构。在原型基础的深度IMVC中，基于单个小批量的原型估计可能随观测样本和视图的分布波动，而原型间几何关系的不足正则化会降低聚类判别力并削弱在严重缺失情况下原型引导的补全可靠性。为解决这些局限性，我们提出动态原型对齐与分离网络（DPAS-Net），协调表示学习、原型正则化和潜在缺失视图补全。首先采用跨视图注意力和融合引导的视图特定重建，整合互补信息并保留视图依赖特性。然后，鲁棒实例级一致性目标对齐联合观测样本。在簇层面，软样本到原型的分配生成小批量原型估计，并逐步聚合为共享原型矩阵。显式分离正则化器进一步抑制不同原型间的过度相似性。在最终微调阶段，从观测嵌入构建视图特定原型库并用于训练后潜在缺失视图补全。在四个基准数据集、五种MCAR缺失率和五种训练种子下的实验表明，DPAS-Net在12种代表性基线中，在所有60个数据集–缺失率–指标设置中均达到最高的平均ACC、NMI和F-score。在缺失率为0.9时，DPAS-Net在Caltech101-7、HandWritten、Scene-15和ALOI-100上分别获得$$88.50\pm 0.65\%$$、$$94.95\pm 0.28\%$$、$$42.89\pm 0.43\%$$和$$74.17\pm 0.73\%$$的ACC值，超过最强竞争方法3.11、6.53、2.27和4.15个百分点。种子匹配测试表明这些增益在评估的种子中稳定存在，而消融实验支持耦合组件的互补贡献。在MAR和MNAR下的额外评估显示，结构化缺失会导致性能下降，严重MNAR构成最大挑战。

Keyword:

Incomplete multi-view clustering

Dynamic prototype alignment

Prototype separation

Contrastive learning