Partial Multi-view Subspace Clustering
來源:MM2018
作者:Nan Xu, Yangqing Guo…(Dalian University of Technology)
缺失多視圖論文彙總:https://github.com/Jeaninezpp/Incomplete-multi-view-clustering
一句話概括
從原始數據中學習潛在表示,利用潛在表示的自表達得到子空間表示。
論文摘要
missing data 和 partial data在實際任務中非常常見。本文提出一種Partial Multi-view Subspace Clustering (PMSC)來解決不完全多視圖問題。
關鍵詞
Partial multi-view data;子空間聚類;潛在空間;子空間結構。
Introduction
- 當數據在某個視圖有缺失的時候,常見的兩種處理方式爲:
- 刪除有缺失的數據。
- 缺點:有缺失數據的樣本無法聚類。
- 填充缺失的信息。
- 缺點:不能實現很好的性能。
- 刪除有缺失的數據。
- Existing methods:
- Li et al.[7] :開創性工作。利用NMF將缺失數據投影到一個潛在空間。
- 兩個視圖、表示要求非負。
- Wang et al. [18]:學習了哈希代碼,保持了不同視圖之間的一致性和同一視圖內的相似性。
- Yin et al. [23]:提出學習投影矩陣和包含標籤信息的潛在表示。
- Shao et al.[16]:[7]的擴展,加權NMF,正則化。填充缺失、給缺失樣本小的權重。
- Zhao et al. [29]:增加了一個圖拉普拉斯項來探索局部多視圖數據的緊湊全局結構。
- Zhap et al. [30]:爲了保持不同視圖之間的相似結構,作者提出同時學習統一稀疏編碼和相似誘導概率鄰域。
- Yin et al. [24]:引入子空間學習框架,直接優化共享類指標矩陣。
- Li et al.[7] :開創性工作。利用NMF將缺失數據投影到一個潛在空間。
- 之前的方法忽略了多視圖數據的子空間結構。利用自表達來學習子空間結構對於缺失數據來說很困難,因爲每個視圖都有缺失,可能無法全面的表示數據本身的結構。
- 提出 Partial Multi-view Subspace Clustering (PMSC)方法
方法
首先將原始數據投影到k維的子空間,得到潛在表示H。然後利用H的自表達得到子空間表示Z。
然後用Z去做譜聚類?(沒有看到後續的描述)
- 優點:
- 子空間表示可以揭示原始數據中嵌入的底層子空間結構。
- 子空間聚類常常會被原始數據的質量所影響,我們從潛在表示中學習子空間表示而不是從原始數據中學習,使方法更加魯棒。
- 缺點: