Agrupamento multiview incompleto com aprendizado contrastivo múltiplo e mecanismo de atenção

O agrupamento multiview é uma tarefa complexa e significativa nos campos de aprendizado de máquina e mineração de dados. A maioria dos modelos existentes de agrupamento multiview é para visões com informações completas. No entanto, a perda de dados ocorre inevitavelmente durante a coleta e transmissão de dados, levando aos problemas de desalinhamento parcial individual (IU) e indivíduo ausente (IM). Para enfrentar esses desafios, o artigo propõe uma estrutura chamada agrupamento multiview incompleto com aprendizado contrastivo múltiplo e mecanismo de atenção (IMCLAM). O IMCLAM utiliza a maximização da informação mútua de diferentes visões e aumenta a separabilidade da representação através de aprendizado contrastivo múltiplo e a fusão de representações específicas em dimensões reduzidas em uma representação conjunta por meio de uma camada de fusão atencional. Além disso, o efeito de amostras negativas é reduzido ao aumentar a perda de robustez ao ruído. Experimentos em quatro conjuntos de dados multiview demonstram a eficácia do IMCLAM na tarefa de agrupamento multiview em comparação a seis métodos de ponta.