Partial Multi-view Subspace Clustering

來源：MM2018
作者：Nan Xu, Yangqing Guo...(Dalian University of Technology)

缺失多視圖論文匯總：https://github.com/Jeaninezpp/Incomplete-multi-view-clustering

一句話概括

從原始數(shù)據(jù)中學(xué)習(xí)潛在表示，利用潛在表示的自表達(dá)得到子空間表示。

論文摘要

missing data 和 partial data在實際任務(wù)中非常常見。本文提出一種Partial Multi-view Subspace Clustering (PMSC)來解決不完全多視圖問題。

關(guān)鍵詞

Partial multi-view data；子空間聚類；潛在空間；子空間結(jié)構(gòu)。

Introduction

• 當(dāng)數(shù)據(jù)在某個視圖有缺失的時候，常見的兩種處理方式為：
  • 刪除有缺失的數(shù)據(jù)。
    • 缺點(diǎn)：有缺失數(shù)據(jù)的樣本無法聚類。
  • 填充缺失的信息。
    • 缺點(diǎn)：不能實現(xiàn)很好的性能。
• Existing methods：
  • Li et al.[7] ：開創(chuàng)性工作。利用NMF將缺失數(shù)據(jù)投影到一個潛在空間。
    • 兩個視圖、表示要求非負(fù)。
  • Wang et al. [18]：學(xué)習(xí)了哈希代碼，保持了不同視圖之間的一致性和同一視圖內(nèi)的相似性。
  • Yin et al. [23]：提出學(xué)習(xí)投影矩陣和包含標(biāo)簽信息的潛在表示。
    • 詳細(xì)介紹：Incomplete multi-view clustering via subspace learning
  • Shao et al.[16]：[7]的擴(kuò)展，加權(quán)NMF，正則化。填充缺失、給缺失樣本小的權(quán)重。
  • Zhao et al. [29]：增加了一個圖拉普拉斯項來探索局部多視圖數(shù)據(jù)的緊湊全局結(jié)構(gòu)。
  • Zhap et al. [30]：為了保持不同視圖之間的相似結(jié)構(gòu)，作者提出同時學(xué)習(xí)統(tǒng)一稀疏編碼和相似誘導(dǎo)概率鄰域。
  • Yin et al. [24]：引入子空間學(xué)習(xí)框架，直接優(yōu)化共享類指標(biāo)矩陣。
    • 詳細(xì)介紹：Unified subspace learning for incomplete and unlabeled multi-view data
• 之前的方法忽略了多視圖數(shù)據(jù)的子空間結(jié)構(gòu)。利用自表達(dá)來學(xué)習(xí)子空間結(jié)構(gòu)對于缺失數(shù)據(jù)來說很困難，因為每個視圖都有缺失，可能無法全面的表示數(shù)據(jù)本身的結(jié)構(gòu)。
• 提出 Partial Multi-view Subspace Clustering (PMSC)方法

方法

首先將原始數(shù)據(jù)投影到k維的子空間，得到潛在表示H。然后利用H的自表達(dá)得到子空間表示Z。

在這里插入圖片描述

• 優(yōu)點(diǎn)：
  • 子空間表示可以揭示原始數(shù)據(jù)中嵌入的底層子空間結(jié)構(gòu)。
  • 子空間聚類常常會被原始數(shù)據(jù)的質(zhì)量所影響，我們從潛在表示中學(xué)習(xí)子空間表示而不是從原始數(shù)據(jù)中學(xué)習(xí)，使方法更加魯棒。
• 缺點(diǎn)：