文献阅读
文章平均质量分 93
麻辣小凉皮
知识浅薄,多多交流,互相学习,资料终身免费不收费。
展开
-
文献阅读:Incomplete multi-view subspace clustering with adaptiveinstance-sample mapping and deep featur
解读:这篇文献是一篇关于不完全多视图聚类的文章,因此摘要的第一部分就首先介绍了目前多视图的子空间聚类被应用于各个实际场景,这些多视图的数据融合了各个视图的互补信息,将所有样本视为广义子空间的一组基,这个表示他将每个数据集或视图中的所有样本都视为某种特定数学空间的基础。同时假设了以下一个实例具有所有视图所对应的特征,对于这些多视图的子空间聚类,文献作者提出由于故障,每一个视图都有可能会丢失一部分的特征,从而导致产生不完全的多视图数据集。然而,由于故障,每个视角可能会丢失一些特征,导致了不完整的多视角数据集。原创 2023-12-20 17:20:44 · 237 阅读 · 2 评论 -
文献阅读:Adaptive Feature Projection With Distribution Alignment for Deep IMVC(abbreviation)
解读:首先介绍了目前不完全多视图聚类的必要性,然后总结了目前已有的不完全多视图聚类方法仍未解决的两个问题,同时也是本文已经解决的两个问题,即针对不完全多视图聚类大多数都是采用对数据进行补全的操作,然后再进行聚类,但是确实数据的标签信息会导致我们根据这个标签信息来补全数据,可能会出现补全的值不是很准确从而导致聚类效果降低的情况。然后,我们优化共同特征与所有视图的视图特定特征之间的互信息损失,以挖掘它们的共同聚类信息,同时优化完整数据和不完整数据特征之间的均值差异损失,以在特征学习中对齐它们的分布。原创 2023-11-29 22:39:40 · 527 阅读 · 3 评论 -
文献阅读:Deep Incomplete Multi-view Clustering with Cross-view Partial Sample andPrototype Alignment
然后,针对IMVC中的偏移原型,我们进一步提出了一个原型对齐模块,以实现跨视图的不完整分布校准。背景总结:尽管已经提出了几种解决IMVC的尝试,但它们存在以下缺点:i) 现有方法主要采用跨视图对比学习,强迫每个样本在不同视图中的表示完全相同,这可能忽略了视图差异和表示的灵活性;ii) 由于多个视图中缺乏未观察到的样本,聚类的获得原型可能不对齐且存在偏差,导致错误的融合。(2)为了解决由不完整信息引起的原型偏移问题,CPSPAN 提出进一步对不同视图之间的原型集进行对齐,以挖掘一致的跨视图结构信息。原创 2023-11-15 14:40:47 · 630 阅读 · 1 评论 -
文献阅读:Scalable incomplete multi-view clustering with adaptive datacompletion
不完全多视图聚类文献原创 2023-11-12 21:01:33 · 161 阅读 · 1 评论