Partial Multi-view Subspace Clustering

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。
• 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。
    • 詳細介紹：Incomplete multi-view clustering via subspace learning
  • Shao et al.[16]：[7]的擴展，加權NMF，$L_{21}$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。
    • 詳細介紹：Unified subspace learning for incomplete and unlabeled multi-view data
• 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：