改进的自步深度不完备多视图聚类

随着数据量的增大，多视图聚类中出现带有缺失视图数据的情况愈发常见，此问题被称为不完备多视图聚类，而引入深度模型进行聚类通常可以获得比浅层模型更为出色的表现。本文提出一种新颖的深度不完备多视图聚类模型，称为改进的自步深度不完备多视图聚类。在该模型中，充分考虑多视图数据之间的互补性，利用基于多视图特性的最近邻填充方案将缺失视图补全。使用多个自编码器分别获取多个视图数据的低维潜在特征，同时引入图嵌入策略保持潜在特征之间的几何结构。运用一致性原则将来自不同的视图潜在特征融合以获得一致潜在特征，在此基础上运用自步学习的方法来增强聚类效果。实验结果表明，对比现有的不完备多视图聚类模型，本文模型可以更加灵活且高效地应对各种不完备多视图聚类情况，提升了不完备多视图聚类的鲁棒性与表现效果。