科研之友
微信
新浪微博
Facebook
分享链接
摘要
多视图聚类是无监督学习领域研究热点之一，近年来涌现出许多优秀的多视图聚类工作，但其中大多数方法假设各视图均是完整的，然而真实场景下数据收集过程极其容易发生缺失，造成部分视图不完整。同时，很多方法采取传统机器学习方法（即：浅层模型）对数据进行特征学习，这导致模型难以挖掘高维数据内的复杂信息。针对以上问题，本文提出一种面向不完整多视图聚类的深度互信息最大化方法。首先利用深度自编码器挖掘各视图深层次的隐含特征，并通过最大化潜在表示间的互信息来学习各视图间的一致性知识。然后，对于不完整视图中的缺失数据，利用多视图的公共潜在表示进行补全。此外，本文采用一种自步学习策略（Self-paced Strategy）对网络进行微调，从易到难地学习数据集中的样本，得到更加聚类友好的特征表示。最后，在多个真实数据集上进行实验，验证了本文方法的有效性。
- 单位
