![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度聚类
文章平均质量分 93
量子-Alex
这个作者很懒,什么都没留下…
展开
-
【多视图聚类】SMILE:Semantic Invariant Multi-view Clustering with Fully Incomplete Information
由于通常影响现实世界多视图应用的不完全对应和不完全实例等问题,具有不完全信息的鲁棒多视图学习受到了极大的关注。现有方法严重依赖配对样本来重新对齐或估算有缺陷的样本,但由于数据收集和传输的复杂性,这种先决条件在实践中并不总是得到满足。为了解决这个问题,我们提出了一个新的框架,称为语义不变性学习(SMILE),用于不完整信息的多视图聚类,不需要任何配对样本。具体来说,我们发现不同视图之间存在不变语义分布,这使得SMILE能够缓解跨视图差异,以学习共识语义,而不需要任何配对样本。原创 2024-06-10 01:32:19 · 603 阅读 · 0 评论 -
【多视图聚类】COMPLETER:Incomplete Multi-view Clustering via Contrastive Prediction
在本文中,我们研究了不完全多视图聚类分析中的两个具有挑战性的问题,即i)如何在没有标签的帮助下学习不同视图之间的信息性和一致性表示,以及ii)如何从数据中恢复缺失的视图。为此,我们提出了一个新的目标,从信息论的角度将表征学习和数据恢复结合到一个统一的框架中。具体来说,通过对比学习最大化不同视图之间的互信息来学习信息一致的表示,通过双重预测最小化不同视图的条件熵来恢复缺失的视图。据我们所知,这可能是第一个提供统一一致表示学习和交叉视图数据恢复的理论框架的工作。原创 2024-06-04 08:47:48 · 1093 阅读 · 1 评论