Unified Embedding Alignment with Missing Views Inferring for Incomplete Multi-View Clustering

Info

• AAAI 2019
• Jie Wen

论文介绍

摘要

现存的多视图缺失聚类问题的缺陷：

• 底层语义信息通常被忽略
• 数据局部结构没有被很好的探索
• 不同视图之间的重要性没有被有效的评估
  因而提出UEAF（Unified Embedding Alignment Framework）

Introduction

基于谱聚类的方法要么需要至少一个完整的视图，要么不能解决大比例缺失的问题。

目前流行的缺失多视图聚类方法主要是基于矩阵分解策略，与基于谱聚类的方法相比，基于矩阵分解的方法可以直接从不完整的视图中获得一致的表示。

但是还是存在摘要中所提到的问题：

• 局部几何结构仍待进一步探索，学到的一致特征不够紧密和有判别性。
• 缺失视图没有被精确的恢复。不能充分捕捉缺失视图的隐藏信息来进行一致表示的学习。
• 不同视图同等重要性。

Method

Shao, He, and Philip 2015：

在这里插入图片描述
在这里插入图片描述

UEAF：

Part1：consensus representation learning.

已有工作只探索可用的非缺失的视图来学习一致的表示，忽略了缺失视图的潜在信息。

在这里插入图片描述
缺失样本被填充为0
在这里插入图片描述
在这里插入图片描述
变形为：
在这里插入图片描述
是所有视图都完整的数据，对它做矩阵分解得到基础矩阵和表示矩阵。这样就利用上了缺失视图来学习一致表示了。
只要能得到好的缺失填充，就能学到好的一致表示。接下来介绍通过引入图正则化项来获得合理的缺失样本。

Part2：reverse graph regularization.

在这里插入图片描述

Part3：adaptively weighted incomplete multi-view learning.