具有自适应融合和循环一致性的生成局部多视图聚类学习笔记

 

1.前言

现有的PMVC方法旨在建立一个具有完整视图的共享潜在子空间，然后对缺失数据的潜在表示进行补偿。分为两类：①基于核的方法。②基于非负矩阵分解。

两种方法仍然有一些局限性。(1)它们需要一起处理所有的数据，并且将其用于大规模数据集是低效的。(2)矩阵分解需要大量的逆运算，导致时间复杂度很高。(3)它们主要利用一些正则化，并在新表示上添加一些约束，但未能显式地补偿每个视图中丢失的数据

2.原理介绍

符号表示：多视图数据矩阵 X={X（1），(2),...,X(V)，X（v)={X1（v),X2(v),...,XN(v)}∈R N*dv（v=1,2,...,V)，其中v是视图的数量，N是样本的数量，dv是第v个视图的特征维度。

我们将视图分成了两部分：（1）一个是所有视图都完整的成对数据{x(1),x(2),...,x(V)}。（2）另一个是未配对的有数据缺失的数据{x'(1),x'(2),...,x'(V)。图3中我们使用{x~(1),x~(2),...,x~(V)分别表示每个视图的缺失数据或者是生成数据。

网络框架：它由五个子网络组成:编码器网络E、加权自适应融合层、深度嵌入聚类层、生成器网络G和鉴别器网络D。对应于每个视图，我们的模型有五个编码器，一个融合层，一个聚类层，五个生成器和五个鉴别器。我们将模型详细介绍如下。表一给出了主要网络部分的描述，其中dv是第v视图特征的维数，dhi是编码器/发生器网络中视图专用全连接层的输出/输入维数。m是编码器/发生器网络中共享全连接层的输出/输入维数。

插图：对于部分多视图数据，实线框中的数据是完整的成