CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network

要約

近年、欠落したビューに関する困難なマルチビュー クラスタリング問題を研究する不完全マルチビュー クラスタリングに対する研究の関心が高まっています。
この問題に対処するために一連の手法が提案されているが、以下の問題が依然として存在する。 1) 既存の手法のほとんどは浅いモデルに基づいており、識別可能な共通表現を取得することが困難である。
2) これらの方法は、陰性サンプルが重要なサンプルと同等に扱われるため、一般にノイズや外れ値の影響を受けやすくなります。
この論文では、これらの問題に対処するために、Cognitive Deep Incomplete Multi-view Clustering Network (CDIMC-net) と呼ばれる新しい不完全マルチビュー クラスタリング ネットワークを提案します。
具体的には、ビュー固有のディープ エンコーダーとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルの機能とローカル構造をキャプチャします。
さらに、人間の認知、つまり簡単なものから難しいものへの学習に基づいて、モデルのトレーニングに最も信頼できるサンプルを選択するマイペース戦略を導入し、外れ値の悪影響を軽減できます。
いくつかの不完全なデータセットに関する実験結果は、CDIMC-net が最先端の不完全なマルチビュー クラスタリング手法よりも優れていることを示しています。

要約(オリジナル)

In recent years, incomplete multi-view clustering, which studies the challenging multi-view clustering problem on missing views, has received growing research interests. Although a series of methods have been proposed to address this issue, the following problems still exist: 1) Almost all of the existing methods are based on shallow models, which is difficult to obtain discriminative common representations. 2) These methods are generally sensitive to noise or outliers since the negative samples are treated equally as the important samples. In this paper, we propose a novel incomplete multi-view clustering network, called Cognitive Deep Incomplete Multi-view Clustering Network (CDIMC-net), to address these issues. Specifically, it captures the high-level features and local structure of each view by incorporating the view-specific deep encoders and graph embedding strategy into a framework. Moreover, based on the human cognition, i.e., learning from easy to hard, it introduces a self-paced strategy to select the most confident samples for model training, which can reduce the negative influence of outliers. Experimental results on several incomplete datasets show that CDIMC-net outperforms the state-of-the-art incomplete multi-view clustering methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google