소외된 다중 보기 앙상블 클러스터링

다중 보기 클러스터링(MVC)은 다중 보기 데이터가 공유하는 기본 클러스터 구조를 탐색하는 것을 목표로 하며, 최근 몇 년간 더 많은 연구 노력을 끌어냈습니다. 여러 보기 간의 보완 정보를 활용하기 위해 기존 방법들은 주로 공통 잠재 하위 공간을 학습하거나 서로 다른 보기 간의 특정 손실을 개발하지만, 단일 보기 클러스터링 알고리즘에 의해 생성된 기본 파티션(BPs)과 같은 높은 수준의 정보를 무시합니다. 이를 감안하여, 본 논문에서는 새로운 소외된 다중 보기 앙상블 클러스터링(M2VEC) 방법을 제안합니다. 구체적으로, 우리는 EC 방식으로 MVC를 해결하며, 각 보기마다 개별적으로 BPs를 생성하고 합의된 것을 추구합니다. 이를 통해 동일한 파티션 공간에서 다중 보기 데이터의 보완 정보를 자연스럽게 활용합니다. 우리 접근 방식의 강인성을 높이기 위해, 소외된 디노이징 프로세스를 채택하여 데이터 손상 및 노이즈를 모방하며, 단일 레이어 오토인코더를 학습하여 각 보기의 강인한 파티션 수준 표현을 제공합니다. 저 순위 및 희소 분해가 디노이징 프로세스에 원활하게 통합되어 일관성 정보를 명시적으로 캡처하며, 동시에 이질적 특성 간의 차별성을 보완합니다. 우리 모델은 스펙트럴 합의 그래프 분할도 포함하여 M2VEC를 통합 최적화 프레임워크로 만듭니다. 또한, 다층 M2VEC가 스택 방식으로 제공되어 복잡한 데이터를 처리하기 위한 파티션 수준 표현에 비선형성을 캡슐화합니다. 여덟 개의 실제 데이터 세트에 대한 실험 결과는 여러 최첨단 다중 보기 및 EC 방법과 비교했을 때 우리의 접근 방식의 효능을 보여줍니다. 우리는 또한 부분 다중 보기 데이터에서도 우리 방법이 잘 작동함을 보여줍니다.