1. 论文核心思想解析
《Late Fusion Incomplete Multi-view Clustering (LF-IMVC)》这篇发表在TPAMI 2019的论文,提出了一种针对不完整多视图数据的创新聚类方法。传统多视图聚类通常假设所有视图数据完整,但现实场景中常会遇到部分视图缺失的情况。LF-IMVC通过后期融合策略,有效解决了视图缺失条件下的特征整合难题。
论文的核心突破点在于:将视图补全和聚类两个任务解耦处理,先对各个视图独立进行补全和特征学习,再通过后期融合机制整合不同视图信息。这种方法相比早期融合策略(如直接将所有视图拼接)具有更好的鲁棒性,尤其当某些视图缺失率较高时,仍能保持稳定的聚类性能。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术实现细节拆解
2.1 视图补全模块设计
对于每个不完整视图,论文采用矩阵分解技术进行缺失数据补全。具体采用低秩约束的NMF(非负矩阵分解)方法,目标函数包含两部分:
- 数据重构误差项:确保补全后的数据尽可能接近原始观测值
- 低秩正则项:防止过拟合,保持补全数据的平滑性
补全过程可表示为:
min┬(U,V)〖‖W⊙(X-UV^T )‖F^2+λ‖V‖*〗
其中W是缺失指示矩阵(1表示存在,0表示缺失),⊙表示逐元素乘法,‖·‖_*表示核范数。
2.2 视图特定特征学习
每个补全后的视图会通过独立的自动编码器进行特征提取:
- 编码器部分:f_θ (X^(v) )=H^(v)
- 解码器部分:g_ϕ (H^(v) )=X ̂^(v)
损失函数包含重构误差和聚类友好性约束:
L_v=‖X^(v)-X ̂^(v) ‖_F^2+αtr(H^(v)T LH^(v))
其中L是拉普拉斯矩阵,tr(·)表示矩阵迹。
2.3 后期融合机制
这是本方法最具创新性的部分。不同于早期融合直接拼接所有视图特征,LF-IMVC采用两步融合策略:
-
视图特定聚类:对每个视图的特征表示H^(v)单独执行谱聚类,得到视图特定聚类指示矩阵F^(v)
-
共识聚类学习:通过优化以下目标函数获得最终聚类结果F:
min┬F∑_(v=1)^V▒〖‖F^(v)-FG^(v) ‖_F^2 〗+β‖F^T F-I‖_F^2
其中G^(v)是视图特定变换矩阵,第二项保证F的正交性。
