.png){kind=icon}
返回
Structure-Aware Conditional Diffusion Generation for Incomplete Multi-View Clustering
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3673320.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，不完整多视图聚类（IMVC）因现实世界中多视图场景数据缺失的普遍性而受到越来越多的关注。现有的基于补全的IMVC方法虽然部分缓解了缺失信息的影响，但仍面临三个关键局限性：（i）忽略样本间的潜在结构关系，导致补全表示偏离真实分布；（ii）将补全与聚类解耦，降低了恢复表示的可判别性；（iii）效率低下，难以在复杂缺失场景下平衡恢复质量与推理速度。为解决这些问题，我们提出了结构感知条件扩散生成（SACDG）框架。训练阶段，SACDG首先通过自适应邻域图建模局部结构关系，并将其注入扩散模型作为条件先验，其中交叉注意力机制将这些先验整合到噪声预测过程中以学习结构感知生成能力。同时，引入语义分布对齐模块利用伪标签强制跨视图一致性，从而增强语义可判别性。推理阶段，SACDG通过跨视图邻接融合整合结构信息以引导反向去噪轨迹，并采用确定性DDIM采样高效稳定地恢复缺失视图的表示。在多个基准数据集上的广泛比较实验和消融研究表明，SACDG在聚类性能和效率方面均优于当前最优方法。
Keyword:
Incomplete multi-view clustering
conditional diffusion model
structure-aware learning
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Incomplete Multi-view Clustering with Paired and Balanced Dynamic Anchor Learning不完整多视角聚类与成对平衡动态锚学习
PREAI
分享收藏
查看更多内容