自适应结构引导多级表示学习算法

多级表征不完整视图聚类

将特征学习、数据恢复和聚类同时整合，利用图对比学习增强特征区分度，在不完整多视图聚类中表现优于现有方法。

Wang, Haiyue · 张文生 · 王泉 · 马小科

Information Fusion 2025

技术优势

多级表征刻画层次结构

通过扩展自编码器学习多级表示，显式捕捉多视图数据的层次结构，从而更全面地刻画数据。

缺失视图恢复更准

利用多级表示恢复缺失视图，同时利用全局和局部信息增强插补的准确性和鲁棒性。

特征区分度提升

图对比学习最大化簇内一致性，利用不同分辨率的信息构造正负样本，从而提升特征的区分能力。

应用场景

• 医疗图像聚类分析：对不完整多视图医学图像进行聚类，辅助病灶识别和分组。
• 生物信息学数据分析：整合多组学不完整数据，发现细胞类型或疾病亚型。
• 社交网络群体发现：利用多视图网络信息，发现重叠社区和关系结构。