.png){kind=icon}
返回
Projection-based incomplete multi-view consensus bipartite graph representation learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131766.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不完全多视图聚类（IMVC）近年来因其能够有效处理不完全多视图数据而受到广泛关注。尽管基于图的方法被广泛采用，但所获相似度图的可靠性常因缺失实例的存在而受损。此外，基于插补的方法常受冗余特征或噪声的负面影响，这会扭曲数据关系与结构，最终导致聚类结果不准确，限制其实际应用。为解决这些挑战，我们提出了一种名为投影基不完全多视图共识二分图表示学习（PIMV_CBG）的新方法。具体而言，我们将投影学习与共识二分图构建整合到统一框架中，二者相互增强以减少噪声和冗余的影响，同时加强跨视图交互，生成高质量的二分图表示。此外，在由共识结构导出的图约束正则化的干净子空间中进行插补，提高了插补精度并充分利用了潜在信息。在基准数据集上的广泛实验表明，PIMV_CBG在处理IMVC任务方面具有有效性，多数情况下实现了最先进的聚类性能。源代码公开于https://github.com/superkeranbing/PIMV_CBG/tree/main 。
Keyword:
Multiview learning
Clustering
Matrix factorization
Bipartite graph
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容