Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment

要約

既存のマルチビュー クラスタリングの成功は、複数のビューにわたるサンプルの整合性を前提としていることに依存しています。
ただし、実際のシナリオでは、データの破損やセンサーの障害により、マルチビューのサンプルが部分的に利用可能になり、マルチビュー クラスタリング スタディ (IMVC) が不完全になります。
IMVC に対処するためのいくつかの試みが提案されていますが、次のような欠点があります。
表現;
ii) 複数のビューにわたって観測されていないサンプルが存在しないため、取得されたクラスターのプロトタイプは整列されておらず、バイアスがかかっている可能性があり、誤った融合につながる可能性があります。
上記の問題に対処するために、深い不完全なマルチビュー クラスタリングのためのクロスビュー部分サンプルおよびプロトタイプ アラインメント ネットワーク (CPSPAN) を提案します。
まず、既存の対比ベースの方法とは異なり、ビュー間のインスタンス間の対応構築を導くために、「プロキシ監視信号」としてペア観測データのアライメントを採用します。
次に、IMVCのシフトされたプロトタイプに関して、ビュー全体で不完全な分布キャリブレーションを達成するためのプロトタイプアライメントモジュールをさらに提案します。
広範な実験結果は、提案されたモジュールの有効性を示しており、ベンチマーク データセットで既存の IMVC 競合他社と比較した場合、注目に値するパフォーマンスの改善を達成しています。

要約(オリジナル)

The success of existing multi-view clustering relies on the assumption of sample integrity across multiple views. However, in real-world scenarios, samples of multi-view are partially available due to data corruption or sensor failure, which leads to incomplete multi-view clustering study (IMVC). Although several attempts have been proposed to address IMVC, they suffer from the following drawbacks: i) Existing methods mainly adopt cross-view contrastive learning forcing the representations of each sample across views to be exactly the same, which might ignore view discrepancy and flexibility in representations; ii) Due to the absence of non-observed samples across multiple views, the obtained prototypes of clusters might be unaligned and biased, leading to incorrect fusion. To address the above issues, we propose a Cross-view Partial Sample and Prototype Alignment Network (CPSPAN) for Deep Incomplete Multi-view Clustering. Firstly, unlike existing contrastive-based methods, we adopt pair-observed data alignment as ‘proxy supervised signals’ to guide instance-to-instance correspondence construction among views. Then, regarding of the shifted prototypes in IMVC, we further propose a prototype alignment module to achieve incomplete distribution calibration across views. Extensive experimental results showcase the effectiveness of our proposed modules, attaining noteworthy performance improvements when compared to existing IMVC competitors on benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google