文献阅读总结：多视图聚类

已于 2022-03-07 09:51:01 修改
阅读量2k 收藏 5
点赞数 1
分类专栏： 文献阅读 文章标签： 人工智能 聚类
于 2021-11-18 15:51:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CSDNTianJi/article/details/121402803
版权

本文是对多视图聚类(Multi-View Clustering)领域已读文献的归纳总结，长期更新。

更多文献阅读总结，见：
文献阅读总结合集

对应论文在网上都有免费版本可以下载，若个别朋友在网上找不到相应资源，请在评论区留言说明并备注邮箱等，看到后会尽快向您传递。

文章目录

基于图的方法

文献阅读（61）NIPS2021-Multi-view Contrastive Graph Clustering

文献阅读（64）Access2019-Multi-View Spectral Clustering via Integrating Global and Local Graphs

综述/理论/其他

聚类相关

文献阅读（66）AAAI2021-Deep Fusion Clustering Network

文献阅读（67）TheWebConf2021-Structural Deep Clustering Network

学徒刘猛
关注
专栏目录
多视图聚类
weixin_47038252的博客
04-21 3240
基于图 2017 Multi-view Clustering with Adaptively Learned Graph 2018 Graph Learning for Multiview Clustering 单视图学习 全局图学习 2019Adaptive Consistency Propagation Method for Graph Clustering 2015 AAAILarge-Scale Multi view Spectral Clustering ...
多视图聚类综述
热门推荐
weixin_47038252的博客
11-26 1万+
1.Consensus One-step Multi-view Subspace Clustering（2020） 解决问题：虽然上述子空间方法已经取得了显著的改进，但仍然可以从以下两点进行改进：i）现有的大多数多多视图子空间聚类方法都是先学习一个共享的亲和矩阵或图，然后应用谱聚类得到最终的聚类结果。然而，直接从原始数据学习公共亲和矩阵或图可能会影响聚类结构，因为原始数据通常包含噪声和冗余[32]。它们很少充分利用信息量更大的多视图划分信息来改进聚类结果。ii）以前的方法通常以两步方式进行，这意味着学习到
【多视图聚类】Reconsidering Representation Alignment for Multi-view Clustering
最新发布
weixin_44184852的博客
08-29 1352
对齐视图表示的分布是当今用于深度多视图聚类的最先进模型的核心组件。然而，我们发现了nävely对齐表示分布的几个缺点。我们证明了这些缺点既导致表示空间中可分离的聚类更少，又抑制了模型对视图进行优先排序的能力。基于这些观察，我们开发了一个简单的深度多视图聚类基线模型。我们的基线模型完全避免了表示对齐，同时表现类似于或优于当前技术水平。我们还通过添加对比学习组件来扩展我们的基线模型。这引入了选择性对齐过程，保留了模型对视图进行优先排序的能力。
多视图聚类概念
Tc、zyh的博客
03-31 4761
文章目录一、多视图聚类方法分类1.1区分方法（基于相似性）的方法二、多视图聚类半监督多视图学习多视图聚类(MVC)的两个重要原则，互补性和共识原则 一、多视图聚类方法分类 生成(基于模型)的方法 目的：试图了解数据的基本分布，并使用生成模型表示数据，每个模型表示一个集群。 区分(基于相似性)的方法 目的：直接优化包括相似性的目标函数，以最小化簇内的平均相似性并最大化簇间的平均相似性。 根据如何组合多视图信息，可以分为以下五类： 公共特征向量矩阵（多视图谱聚类） 公共系数矩阵（多视图子空间聚类） 公
多视图聚类总结
seeseamiao1998的博客
04-08 6814
MVC的两个重要原则，即互补原则和共识原则。 互补原则：该原则规定，为了更全面、更准确地描述数据对象，应该使用多个视图。在多视图数据的上下文，每个视图都足以完成特定的知识发现任务。然而，不同的视图通常包含相互补充的信息。例如，在图像处理领域，每幅图像都由不同类型的特征来描述，如lbp、sift和hog，其中lbp是一种强大的纹理特征，sift对图像的光照、噪声和旋转具有鲁棒性，而hog对边缘信息敏感。因此，有必要利用这些相互补充的信息来描述这些数据对象，并对内部集群提供更深入的见解。 共识原则：这一原则
多视图聚类方向：子空间学习
weixin_47038252的博客
09-09 4476
1.对由多视图特征描述的数据进行聚类，通常的方法是通过挖掘多视图特征之间的互补信息来集成多视图特征。 本文方法的目标是通过限制标签空间的多样性和一致性来学习多视图聚类的最优标签矩阵。首先将聚类标签松弛为一致性和多样性部分，然后将其集成到基于多视图k-means矩阵分解的模型中，数学公式为 本文方法约束了标签空间的多样性和一致性。考虑到不同视图的聚类能力，使用自加权策略对每个视图进行加权。另外，将原始高维数据投影到低维空间进行降维，并且使用拉普拉斯图调节方法约束原始空间和低维空间数据领..
关于不完整多视图聚类相关知识的记录
weixin_47038252的博客
08-03 3266
摘要：我们提出了一个新的框架，称为交叉部分多视图网络(CPM-Nets)，旨在充分和灵活地利用多个部分视图。我们首先为多视图表示提供了完备性和多样性的正式定义，然后从理论上证明了所学习的潜在表示的多样性。为了完整性，学习潜在的多视图表示的任务通过模拟数据传输被具体地转化为退化过程，从而可以隐含地实现不同视图之间的一致性和互补性之间的最佳折衷。我们的模型配备了对抗策略，可以稳定地估算缺失视图，将每个样本所有视图的信息编码成潜在表示，以进一步增强完整性。此外，引入非参数分类损失来产生结构化表示和防止过拟合，..
深度学习不完整多视图聚类：跨视图样本与原型对齐
"这篇文献是关于深度不完全多视图聚类的研究，通过跨视图的部分样本和原型对齐来解决现实世界中由于数据损坏或传感器故障导致的多视图数据部分缺失的问题。作者提出了一个新的方法，以克服现有方法存在的问题，如...
多视图聚类学习
03-14
多视图聚类学习
多视图聚类数据集mfeat
09-08
该mfeat数据集主要用于多视图聚类算法研究，其中已经有标签，可以用于对最终聚类算法分出来的类簇进行评估。
多VAE：基于VAE的多视图聚类
9234Multi-VAE：学习多视图聚类徐杰1，任亚舟1 *，唐华义1，蒲晓荣1，朱晓峰1，曾明2，何丽芳31计算机科学与工程学院电子科技大学，成都611731 2卡内基梅隆大学电子计算机工程系，美国宾夕法尼亚州15213 3美国利哈伊...
多视图聚类（矩阵分解篇）
weixin_47038252的博客
11-22 2581
1.《基于稀疏表示和自适应加权合作学习》 paper:Multi-view subspace clustering with intactness-aware similarity (Junpeng Tan a , Zhijing Yang a , ∗, Yongqiang Cheng b , Jielin Ye a , Bing Wang b , Qingyun Dai c )2021 引言： 非负矩阵存在局限：丢弃一些有用的negative信息。 CL动机：对每个视图进行协作训练，以获得包含.
多视图聚类（+incomplete multi view cluster)
weixin_47038252的博客
12-08 8725
多视图聚类
基于多核的聚类算法——多视图核谱聚类算法（Multi-view Kernel Spectral Clustering, MVKSC）
...
07-12 652
多视图核谱聚类算法（Multi-view Kernel Spectral Clustering, MVKSC）是一种用于处理具有多个不同视图或表示的数据集的机器学习方法。这种算法利用了核技巧和谱聚类理论，旨在从多个不同的角度或特征集合中提取数据的内在结构，以提高聚类的准确性和稳定性。以下是MVKSC算法的详细介绍，包括其关键步骤和相关公式。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值