.png){kind=icon}
返回
Joint entropy minimization-based statistical dependency for deep multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02596-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度多视角聚类旨在揭示从多个视角收集的数据的潜在结构。然而，大多数现有方法忽视了视角间的内在统计关系，导致语义对齐和表示一致性受限。本文提出了一种新颖的深度多视角聚类框架，明确将统计依赖作为跨视角一致表示学习的基础。首先，定义并研究了统计依赖，以建模反映跨视角共享语义和对齐的深层关联。设计了一种联合熵最小化策略，直接建模跨视角的统计依赖，从而增强学习表示的一致性和紧凑性。其次，通过整合对比损失、概率损失和联合熵损失，构建了一个综合损失函数。此外，分析了损失函数的理论下界，并强调了软聚类分配的重要性。考虑共享与互补特征以及不同视角间的统计依赖，提出了一个全面的多视角聚类框架。最后，在七个公开数据集上的广泛实验表明，所提出的方法实现了最先进的聚类性能，验证了将统计依赖纳入深度多视角聚类的有效性。
Keyword:
Deep multi-view clustering
Statistical dependency
Joint entropy of view features
Feature alignment
Soft clustering assignment
期刊
IF:
3.1
论文数:
546
被引数:
5.2K
机构
引用论文
Tensor multi-subspace learning for robust tensor-based multi-view clustering张量多子空间学习用于鲁棒的张量化多视图聚类
PREAI
分享收藏分享收藏Deep multi-view clustering with diverse and discriminative feature learning深度多视角聚类与多样化及判别性特征学习.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容