Generative Incomplete Multiview Representation Learning With Learnable Graph

doi:10.1109/tnnls.2026.3712174

Generative Incomplete Multiview Representation Learning With Learnable Graph

2026-07-23

0

PRE

AI

DOI：10.1109/tnnls.2026.3712174

原文链接

原文求助

摘要

En 中文

不完整和部分观测的多视图数据给表示学习带来了根本性挑战，因为缺失视图和高复杂度的跨视图不一致性阻碍了有效的特征集成与对齐。尽管最近的深度生成方法在数据补全方面显示出巨大潜力，但它们的性能常受限于刚性图假设或任务特定的设计，从而限制了适应性。在本文中，我们提出了一种基于可学习图结构的生成式表示学习框架，通过可学习的拓扑结构联合建模多视图依赖关系和缺失数据。该模型通过自适应地将视图特定图融合到统一结构中，捕获共享和视图特定的关系模式。通过在自适应图结构上进行消息传播与对抗表示学习相结合，所提出的模型能够实现更可靠的特征重建，并在不完整设置下促进一致的跨视图表示。在多视图半监督分类基准上的广泛实验表明，我们的方法始终优于现有方法，验证了其在处理不完整多视图场景中的鲁棒性和有效性。

Keyword:

Generative learning

graph structure learning (GSL)

incomplete multiview learning

representation learning

semi-supervised classification

Generative Incomplete Multiview Representation Learning With Learnable Graph

摘要

期刊

机构

引用论文