Manifold-based Incomplete Multi-view Clustering via Bi-Consistency Guidance

不完整的多视图聚类主要关注将未标记的数据划分为相应的类别，其中包含缺失实例，并因其在实际应用中的优越性而受到密切关注。考虑到不完整数据的影响，现有方法大多试图通过添加额外项来恢复数据。然而，对于无监督方法，简单的恢复策略会导致错误和离群值积累，从而影响方法的性能。广泛而言，以前的方法没有考虑恢复实例的有效性，或者不能灵活地平衡恢复数据和原始数据之间的差异。为了解决这些问题，我们提出了一种新的方法，称为基于流形的不完整多视图聚类通过双一致性指导（MIMB），它可以灵活地恢复各种视图中的不完整数据，并尝试通过反向正则化实现双一致性指导。特别地，MIMB通过恢复缺失实例向表示学习添加重建项，动态检查潜在的共识表示。此外，为了保留多个视图之间的一致性信息，MIMB实施了双一致性指导策略，通过反向正则化共识表示，并提出了一种流形嵌入度量，用于探索恢复数据的隐藏结构。值得注意的是，MIMB旨在平衡不同视图的重要性，并为每个视图引入自适应权重项。最后，设计了一种带有交替迭代优化策略的优化算法，用于最终聚类。在6个基准数据集上进行了广泛的实验结果，证实MIMB可以显著地获得优于几种最先进的基线的结果。

本文旨在解决不完整多视图聚类问题，即将未标记的数据分成相应的类别，并且缺失实例。现有的方法大多试图通过添加额外的项来恢复数据。但是，对于无监督方法，简单的恢复策略会导致错误和异常值积累，影响方法的性能。

本文提出了一种新的方法，称为基于流形的不完整多视图聚类，通过双一致性指导（MIMB），它灵活地恢复各种视图中的不完整数据，并尝试通过反向正则化实现双一致性指导。具体来说，MIMB通过恢复缺失实例，将重构项添加到表示学习中，动态检查潜在的共识表示。此外，为了保留多个视图之间的一致性信息，MIMB实施了双一致性指导策略，通过共识表示的反向正则化，并提出了一种流形嵌入度量，用于探索恢复数据的隐藏结构。值得注意的是，MIMB旨在平衡不同视图的重要性，并为每个视图引入自适应权重项。最后，设计了一种交替迭代优化策略的优化算法，用于最终聚类。

本文的亮点包括：1.提出了一种新的方法，通过双一致性指导实现基于流形的不完整多视图聚类；2.使用多个数据集进行了广泛的实验，证明MIMB可以显著优于几种最先进的基准方法。

在这个领域的相关研究包括：1.多视图聚类算法；2.不完整数据恢复算法；3.流形学习算法。相关论文包括：“Multi-View Clustering via Deep Matrix Factorization”、“A Survey on Incomplete Multi-view Clustering”、“Manifold Learning: A Survey”等。