Global Graph Propagation with Hierarchical Information Transfer for Incomplete Contrastive Multi-view Clustering

要約

不完全なマルチビュークラスタリングは、現実の世界で広範囲に欠けているマルチビューデータが大規模に欠落しているため、重要な研究問題の1つになっています。
既存の方法は大きな進歩を遂げていますが、まだいくつかの問題があります。1）ほとんどの方法は、欠落データに隠された情報を効果的にマイニングすることはできません。
2）ほとんどの方法は、通常、表現学習とクラスタリングを2つの別々の段階に分割しますが、クラスタリングの結果が学習表現に直接依存するため、これはクラスタリングパフォーマンスに影響を与える可能性があります。
これらの問題に対処するために、階層情報転送を備えた新しい不完全なマルチビュークラスタリング方法を提案します。
まず、ビュー固有のグラフ畳み込みネットワーク（GCN）を設計して、グラフ構造をコードする表現を取得し、コンセンサス表現に融合します。
第二に、GCNの1つの層が一次近隣ノード情報を転送することを考慮すると、欠落データを処理し、深い表現を学習するために、コンセンサス表現を備えたグローバルグラフ伝播が提案されています。
最後に、対照的な学習を備えた重量共有疑似分類器を設計し、ビュー固有の表現学習、階層情報の伝達とグローバルグラフ伝播、および共同最適化のための対照的なクラスタリングを組み合わせたエンドツーエンドフレームワークを取得します。
いくつかの一般的に使用されるデータセットで行われた広範な実験は、他の最先端のアプローチと比較して、方法の有効性と優位性を示しています。
このコードは、https：//github.com/kelvinxuu/ghicmcで入手できます。

要約(オリジナル)

Incomplete multi-view clustering has become one of the important research problems due to the extensive missing multi-view data in the real world. Although the existing methods have made great progress, there are still some problems: 1) most methods cannot effectively mine the information hidden in the missing data; 2) most methods typically divide representation learning and clustering into two separate stages, but this may affect the clustering performance as the clustering results directly depend on the learned representation. To address these problems, we propose a novel incomplete multi-view clustering method with hierarchical information transfer. Firstly, we design the view-specific Graph Convolutional Networks (GCN) to obtain the representation encoding the graph structure, which is then fused into the consensus representation. Secondly, considering that one layer of GCN transfers one-order neighbor node information, the global graph propagation with the consensus representation is proposed to handle the missing data and learn deep representation. Finally, we design a weight-sharing pseudo-classifier with contrastive learning to obtain an end-to-end framework that combines view-specific representation learning, global graph propagation with hierarchical information transfer, and contrastive clustering for joint optimization. Extensive experiments conducted on several commonly-used datasets demonstrate the effectiveness and superiority of our method in comparison with other state-of-the-art approaches. The code is available at https://github.com/KelvinXuu/GHICMC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google