ESIMCE：通过集成方法实现高效且简单的不完全多视图聚类

《Neural Networks》：ESIMCE: Efficient and Simple Incomplete Multi-View Clustering via Ensembles

　　

成海燕|黄浩|王海燕|崔金荣

摘要

尽管最近取得了进展，但以往的不完整多视图聚类（IMVC）方法仍然存在四个关键局限性：(1) 它们通常计算复杂度较高，限制了其在大规模问题上的应用；(2) 它们在超参数调整方面存在困难；(3) 它们通常无法充分利用多视图数据的互补性来填补缺失信息；(4) 它们通常在早期阶段（例如通过图融合）进行信息融合，这可能导致信息过早丢失，并忽略了更高层次融合的潜力。为了解决这些挑战，我们提出了一种高效且稳健的IMVC方法，称为高效简单不完整多视图聚类通过集成（ESIMCE）。ESIMCE实现了近乎线性的时间复杂度，无需针对特定数据集进行参数调整，通过利用跨视图的一致性来恢复缺失信息，并在分区级别进行信息整合。具体来说，我们首先使用共享的锚点集为不完整的视图构建多个部分二分图（锚图），并通过利用跨视图的互补信息来恢复缺失的条目。然后，通过K最近邻锚点进一步简化这些图，以增强连接的可靠性。接下来，每个图被独立划分，从而得到多个捕捉多样化高层次聚类结构的基聚类。最后，受集成聚类的启发，这些基聚类在分区级别通过一个统一的二分图进行融合，该图被高效划分以获得最终的聚类结果。在真实世界的多视图数据集上的广泛实验证明了所提出方法的稳健性和效率。