![](https://img-blog.csdnimg.cn/direct/d5847a6e118b4b76b2cebe28bb73187f.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
聚类
文章平均质量分 66
聚类相关
令狐Cong
个人github链接(https://github.com/Frankie32244)
展开
-
论文阅读 | Incomplete Multi-view Clustering via Prototype-based Imputation
IJCAI 23年的文章,出自彭玺团队。附上源码:为了实现所提出的基于原型的插补方法,作者提出了一个双流模型,通过设计一个双注意力层和双对比学习损失模块。由于所提出的模型,**实例的通用性和视图的多样性(instance commonality & view versatility)**可以得到很好的表示,从而提高IMvC的性能。大量的实验结果表明,该模型在聚类和数据恢复性能的优越性。原创 2024-07-04 22:50:41 · 923 阅读 · 0 评论 -
论文阅读 | Contrastive Clustering
2021年AAAI的文章,出自彭玺团队。本文提出了一种名为对比聚类(CC)的在线聚类方法,该方法明确地执行实例级和簇级对比学习。具体来说,对于给定的数据集,通过数据增强构建正负实例对,并将其投影到特征空间中。然后,在特征矩阵的行空间和列空间中分别进行实例级和簇级对比学习,通过最大化正对之间的相似性并最小化负对之间的相似性。我们的关键观察是,特征矩阵的行可以被看作是实例的软标签,相应地,列可以被进一步看作是簇的表示。通过同时优化实例级和簇级对比损失,模型以端到端的方式联合学习表示和簇分配。原创 2024-07-04 15:08:23 · 1055 阅读 · 0 评论 -
论文阅读 | Dual Contrastive Prediction for Incomplete Multi-view Representation Learning
彭玺团队的一篇发表于PAMI上的文章,附源码。原创 2024-06-21 23:40:44 · 844 阅读 · 1 评论 -
论文阅读 | COMPLETER:Incomplete Multi-view Clustering via Contrastive Prediction
2021年CVPR 的文章,出自川大彭玺团队1、理论框架: COMPLETER 提出了一个新颖的理论框架,将一致性特征表示学习和跨视图数据恢复统一起来。该框架表明,数据恢复和一致性学习是相互促进的。视图内重建损失: 学习视图特定的特征表示,避免平凡解( avoid the trivial solution)。跨视图对比学习损失:通过最大化不同视图之间的互信息来学习跨视图一致性。跨视图双重预测损失:通过最小化不同视图之间的条件熵来恢复缺失的视图(Data recovery)。原创 2024-06-21 19:49:59 · 597 阅读 · 1 评论 -
论文阅读 | Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment
本文是出自刘新旺团队的一篇文章,23年被CVPR收录。不完全多视图表示学习模块、跨视图部分样本对齐模块(CPSA)和移位原型对齐模块(SPA)。具体来说,CPSA执行不同视图之间的实例对齐。SPA探索原型之间的最佳匹配对应。然后,使用结构嵌入填补策略来填补缺失的嵌入。最终,将完整的嵌入和填充的嵌入连接起来,然后用K-means聚类算法以获得最终结果。原创 2024-06-15 14:35:17 · 903 阅读 · 3 评论 -
论文阅读 | A Survey on Multiview Clustering
本篇文章是多视图聚类的一篇综述文章,发布于 IEEE TRANSACTIONS ON ARTIFICIAL INTELLIGENCE (TAI)期刊本文档的大纲如下:I. 引言A. 多视图聚类的定义B. 多视图聚类的重要性C. 当前研究进展与问题D. 本文结构IV. 与相关主题的关系A. 与多视图表示学习的关系B. 与集成聚类的关系C. 与多任务聚类的区别D. 与多视图监督和半监督学习的关系V. 应用A. 计算机视觉B. 自然语言处理C. 社交多媒体。原创 2024-06-01 20:41:33 · 244 阅读 · 0 评论 -
K-means聚类与K-means聚类可视化
【代码】【无标题】原创 2024-05-16 10:48:22 · 150 阅读 · 0 评论 -
同构多视图数据集、异构多视图数据集的区别(聚类)
例子:假设有一个患者的数据集,一个视图包含患者的电子健康记录(EHR),另一个视图包含患者的基因表达数据,第三个视图包含患者的影像数据(如MRI扫描)。总结,同构多视图数据局各个视图的数据类型和维度是一致的,例如不同类型的图片。但是异构多视图数据集各个视图具有不同的性质和特征,例如文本数据、数值数据、图像数据三种视图。也就是说,每个视图的数据类型和维度可能是不同的,通常来自不同的数据来源或不同的数据模式。这些特征视图都是从同一个数据源(图像)提取的,并且它们的数据类型和维度是相同或相似的。原创 2024-05-30 19:49:26 · 173 阅读 · 0 评论 -
单视图聚类、多视图聚类、不完全多视图聚类的区别
2、根据数学成绩(Math)、英语成绩(English)、语文(Chinese)成绩分组:A(3门成绩都>90)、B(1到2门成绩>90)、C(没有一门成绩>90,但都大于60) D (三门成绩都小于60),这种聚类方法,3种成绩就是3种视图、叫多视图聚类。3、根据数学成绩(Math)、英语成绩(English)、语文(Chinese)成绩分组,但是有的同学成绩的数据有所缺失:可以根据其平时的作业表现或者上一次考试情况来补充这一次的成绩,这就叫视图补全。原创 2024-05-30 18:59:53 · 181 阅读 · 0 评论 -
深度聚类(Deep Clustering)及其主要分类
深度聚类(Deep Clustering): 是指将深度学习技术与传统聚类方法相结合,通过深度神经网络学习数据的高层次表示(特征),然后在这些表示上进行聚类分析。其目标是利用深度学习强大的特征提取和表示能力,改进传统聚类方法在高维、复杂和多模态数据上的表现。原创 2024-05-23 10:13:16 · 720 阅读 · 2 评论 -
不完全多视图聚类
不完全多视图聚类是数据样本缺失的情况下,然后再对数据进行一个聚类。原创 2024-05-16 16:07:51 · 128 阅读 · 0 评论