Localized Sparse Incomplete Multi-view Clustering

要約

部分的なビューが欠落している不完全なマルチビュー データのクラスタリング問題を解決することを目的とした不完全なマルチビュー クラスタリングは、近年ますます注目を集めています。
多くの方法が開発されていますが、ほとんどの方法は、任意のビューが欠落している不完全な多ビュー データを柔軟に処理できないか、ビュー間の情報の不均衡というマイナス要因を考慮していません。
さらに、一部のメソッドは、すべての不完全なビューのローカル構造を完全には調査しません。
これらの問題に取り組むために、この論文では、ローカライズされたスパース不完全なマルチビュー クラスタリング (LSIMVC) と名付けられた、シンプルだが効果的な方法を提案します。
既存の方法とは異なり、LSIMVC は、疎で構造化されたコンセンサス潜在表現を、疎な正則化された新しいグラフが埋め込まれた多視点行列分解モデルを最適化することによって、不完全な多視点データから学習することを目的としています。
具体的には、行列因数分解に基づくこのような新しいモデルでは、疎な低次元の個別表現と疎なコンセンサス表現を取得するために、l1 ノルムに基づく疎な制約が導入されます。
さらに、構造化コンセンサス表現を学習するために、新しい局所グラフ埋め込み用語が導入されています。
既存の作業とは異なり、ローカル グラフ埋め込み用語は、グラフ埋め込みタスクとコンセンサス表現学習タスクを簡潔な用語に集約します。
さらに、不完全なマルチビュー学習の不均衡要因を減らすために、適応加重学習スキームが LSIMVC に導入されています。
最後に、提案されたモデルの最適化問題を解決するために、効率的な最適化戦略が与えられます。
6 つの不完全なマルチビュー データベースで実行された包括的な実験結果は、LSIMVC のパフォーマンスが最先端の IMC アプローチよりも優れていることを確認しています。
コードは https://github.com/justsmart/LSIMVC で入手できます。

要約(オリジナル)

Incomplete multi-view clustering, which aims to solve the clustering problem on the incomplete multi-view data with partial view missing, has received more and more attention in recent years. Although numerous methods have been developed, most of the methods either cannot flexibly handle the incomplete multi-view data with arbitrary missing views or do not consider the negative factor of information imbalance among views. Moreover, some methods do not fully explore the local structure of all incomplete views. To tackle these problems, this paper proposes a simple but effective method, named localized sparse incomplete multi-view clustering (LSIMVC). Different from the existing methods, LSIMVC intends to learn a sparse and structured consensus latent representation from the incomplete multi-view data by optimizing a sparse regularized and novel graph embedded multi-view matrix factorization model. Specifically, in such a novel model based on the matrix factorization, a l1 norm based sparse constraint is introduced to obtain the sparse low-dimensional individual representations and the sparse consensus representation. Moreover, a novel local graph embedding term is introduced to learn the structured consensus representation. Different from the existing works, our local graph embedding term aggregates the graph embedding task and consensus representation learning task into a concise term. Furthermore, to reduce the imbalance factor of incomplete multi-view learning, an adaptive weighted learning scheme is introduced to LSIMVC. Finally, an efficient optimization strategy is given to solve the optimization problem of our proposed model. Comprehensive experimental results performed on six incomplete multi-view databases verify that the performance of our LSIMVC is superior to the state-of-the-art IMC approaches. The code is available in https://github.com/justsmart/LSIMVC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google