未对齐多视图聚类网络

一种无需数据对齐与完整性假设的联邦多视图聚类方法，可同时处理视图未对齐与数据缺失，在公开数据集上取得领先聚类性能。

任亚洲 · 73718020 · 徐杰 · Jingyu, Pu · Yonghao, Huang · 蒲晓蓉 · Ce, Zhu · 朱晓峰 · 郝志峰 · He, Lifang

Information Fusion 2024

参数信息

数据集数量

4

技术优势

无需对齐

FCUIF 利用样本共性和视图多样性自适应生成对齐矩阵，无需预先对齐的多视图数据。

缺失也能做

FCUIF 采用无监督技术评估并优化插补质量，能高效处理各种不完全多视图数据场景。

性能领先

在四个公开数据集上的大量实验表明，FCUIF 在处理未对齐和不完整多视图数据时性能优于现有方法。

应用场景

• 联邦学习：在多个客户端上分布式训练聚类模型，无需共享原始数据，保护隐私的同时利用多方信息。
• 多视图数据融合：融合来自不同来源或模态的未对齐视图，发现数据的互补聚类结构。
• 缺失数据处理：在不完整的多视图数据上执行聚类，通过无监督插补评估应对缺失。
• 分布式数据挖掘：在分布式数据环境中挖掘聚类模式，无需集中所有数据，适用于多客户端场景。