.png){kind=icon}
返回
Self-supervised probability distribution-driven deep incomplete multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-026-02552-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于传感器故障或真实世界多视图数据的固有随机性，缺失视图往往以不可预测的方式出现。这不仅削弱了确定性方法的泛化能力，还降低了聚类性能。为解决此挑战，我们提出了一种自监督概率分布驱动的深度不完整多视图聚类方法（SPDIM）。与以往的特征级插值方法不同，SPDIM首先在数据层面处理缺失视图，利用不确定性感知采样插补缺失信息，从而强制样本间的全局一致性。随后，它采用图卷积网络（GCN）从完整视图中提取潜在表示，并引入自适应概率融合机制以整合全局跨视图特征。为进一步提升表示学习效果，SPDIM设计了两种对比学习目标。具体而言，使用视图内一致性对比损失来保留每个视图内的判别结构，同时引入视图间互补性对比损失以增强不同视图间的互补语义对齐。此外，在融合特征上联合构建相似性图和伪标签图，以利用跨视图的全局一致性。最后，执行对比聚类，其中聚类分配概率指导表示学习的持续改进。在五个基准数据集上的大量实验表明，SPDIM持续优于十一种最先进方法，证明了其有效性和稳定性。
Keyword:
Incomplete multi-view clustering
Self-supervised
Contrastive learning
Attention mechanism
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
Cross-domain knowledge distillation for domain adaptation with GCN-driven MLP generalization跨域知识蒸馏用于图卷积网络驱动的多层感知机泛化的领域自适应
PREAI
分享收藏Graph Embedding Contrastive Multi-Modal Representation Learning for Clustering面向聚类的图嵌入对比多模态表示学习
PREAI
分享收藏Multi-View Collaborative Learning for Semi-Supervised Domain Adaptation面向半监督领域自适应的多视图协作学习.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
Contrastive and adversarial regularized multi-level representation learning for incomplete multi-view clustering用于不完全多视图聚类的对比和对抗性正则化多级表示学习NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
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
查看更多内容