通过重新调整进行部分多视图集群

科学领域:

• 机器学习 机器学习
• 数据科学数据科学数据科学
• 计算机视觉 计算机视觉

背景情况:

• 多视图聚类旨在通过整合来自多个数据视角的信息来增强聚类.
• 现实世界的多视图数据通常包含由于时间或空间异步而未对齐的实例.
• 使用转换矩阵的现有对齐方法在计算上是复杂和繁的.

研究的目的:

• 提出一种新的方法,即通过重新调整 (PMVCR) 进行部分多视图集群,用于处理多视图数据中的部分未调整实例.
• 在没有复杂的矩阵计算的情况下,高效地整合表示学习和数据对齐.
• 为了提高多视图聚类在数据集上的有效性和概括性,以实例错位.

主要方法:

• 一个三阶段的培训过程:使用对比学习与负实例对进行粗粒度对齐,基于视图表示相似性的重新对齐阶段匹配实例,以及用于增强辨别能力的细粒度对齐.
• 代表性学习与数据对齐相结合,避免了学习复杂的转换矩阵的需要.
• 使用对比式学习有效地学习初步视图表示,并从未对齐的样本中获取信息.

主要成果:

• 拟议的PMVCR方法在多个基准数据集上表现出优异的性能,与现有的多视图集群技术相比.
• 有效地利用非对齐样本之间的信息可以提高整体模型的概括性.
• 重定位过程成功对准实例,提高聚类结果的质量.

结论:

• PMVCR提供了一种有效且计算效率高的解决方案,用于与部分未对齐实例的多视图集群.
• 该方法能够从未对齐的数据中学习,并提高代表性可区分性,从而改善聚类结果.
• 拟议的方法在多视图聚类方法学中提供了有价值的进步.