【文章摘要-20230523】Self-Learning Symmetric Multi-view ProbabilisticClustering

原文链接

摘要：多视角聚类任务（MVC）已经取得了显著的进展，许多研究人员致力于从多个视角中学习知识。

然而，大多数现有的方法应用性差或者需要额外的步骤用于不完全的多视角聚类。这些局限性导致较差的聚类性能和较差的缺失视角自适应。此外，噪声或异常值可能会显著降低整体的聚类性能，而大多数现有方法都无法很好地处理这些问题。另外，现有的大多数方法都需要样本的类别信息，这严重影响了聚类性能。

在本文中，作者提出了一个新的统一框架用于不完整和完整的多视角聚类任务，称为自学习对称多视角概率聚类（SLS-MPC）。SLS-MPC提出了一种新的对称多视角概率估计，并将多视图成对后验匹配概率等效地转换为每个视角的个体分布的组合，该组合容忍数据丢失并可以扩展到任何数量的视角。

然后，SLS-MPC提出了一种新的无先验知识和超参数的自学习概率函数，从单视图、交叉视图和多视图的一致性方面学习每个视角的独立分布。接下来，使用具有路径传播和联合近邻传播的图上下文感知细化来改善成对的概率，这减轻了噪声和异常值的影响。最后，SLS-MPC提出了一种概率聚类算法，通过迭代最大化联合概率来调整聚类分配，其中不需要类别信息。

在不完全和完全MVC的多个基准上进行的大量实验表明，SLS-MPC显著优于以前最先进的方法。