Clustering multi-vue incomplet basé sur les variétés via une guidance de bi-consistance

Le clustering multi-vue incomplet se concentre principalement sur la division des données non étiquetées en catégories correspondantes avec des instances manquantes, et a reçu une attention intensive en raison de sa supériorité dans les applications réelles. Compte tenu de l'influence des données incomplètes, les méthodes existantes tentent principalement de récupérer les données en ajoutant des termes supplémentaires. Cependant, pour les méthodes non supervisées, une stratégie de récupération simple entraînera des erreurs et des accumulations de valeurs aberrantes, ce qui affectera les performances des méthodes. En général, les méthodes précédentes n'ont pas pris en compte l'efficacité des instances récupérées, ou ne peuvent pas équilibrer de manière flexible les écarts entre les données récupérées et les données originales. Pour résoudre ces problèmes, nous proposons une nouvelle méthode appelée clustering multi-vue incomplet basé sur les variétés via une guidance de bi-consistance (MIMB), qui récupère de manière flexible les données incomplètes parmi diverses vues, et tente d'atteindre une guidance de bi-consistance via une régularisation inverse. En particulier, le MIMB ajoute des termes de reconstruction à l'apprentissage de la représentation en récupérant des instances manquantes, ce qui examine dynamiquement la représentation de consensus latente. De plus, pour préserver les informations de consistance entre plusieurs vues, le MIMB met en œuvre une stratégie de guidance de bi-consistance avec une régularisation inverse de la représentation de consensus et propose une mesure d'encastrement des variétés pour explorer la structure cachée des données récupérées. Notamment, le MIMB vise à équilibrer l'importance des différentes vues et introduit un terme de poids adaptatif pour chaque vue. Enfin, un algorithme d'optimisation avec une stratégie d'optimisation d'itération alternée est conçu pour le clustering final. Des résultats expérimentaux étendus sur 6 ensembles de données de référence sont fournis pour confirmer que le MIMB peut obtenir des résultats supérieurs significativement par rapport à plusieurs baselines à la pointe de la technologie.