不完全多视图聚类技术-杨景然.pdf

BeijingForestStudio

ThenameoftheDepartment

北京理工大学信息系统及安全对抗实验中心

部门名称

不完全多视图聚类技术

-减小缺失视图的影响

硕士研究生杨景然

2024年09月01日

问题回溯

•总结反思

–讲解语速较快，时间较短，内容详略不当

–算法部分熟悉程度不够，TIPO花费过多时间

–回答问题不准确，信息量太少

•相关内容

–2024.12.10杨景然《多视图聚类技术》

–2023.04.22谢崇玮《深度半监督聚类技术》

–2022.09.04谢崇玮《半监督聚类和患者相似性分析》

–2021.07.18董勃《多视角深度学习》

2

内容提要

•预期收获

•内涵解析

•背景简介

•知识基础

•算法原理

–GIGA

–AGDIMC

•特点总结与工作展望

•参考文献

3

预期收获

•预期收获

–掌握不完全多视图聚类技术的基本概念

–理解几何层面的不完全多视图学习

–了解不完全多视图聚类的技术原理

–明确不完全多视图聚类的应用领域和发展方向

4

内涵解析与研究目标不完全多视图聚类

•内涵解析

–聚类：将相似的事物聚集在一起，不相似的事物划分到不同的类别的过程

–多视图：对于同一事物的不同的描述构成了事物的多个视图

–不完全多视图（IncompleteMulti-ViewClustering，IMVC）：但是在实际应用中，

由于信息采集器自身故障或信息传输过程受干扰等导致获取数据中部分样本缺失

•研究目标

–面向数据处理领域中从各种特征收集器获得的不完全数据

–从几何角度分析缺失数据的影响

–结合图结构、谱聚类、深度学习等理论

–实现对不完全多视图数据的准确聚类

5

研究背景不完全多视图聚类

•研究背景

–多视图聚类作为多视图学习的重要应用方向，广泛应用于图像处理、文本分类、

生物信息学等领域

–数据不完全性问题在多视图学习中尤为突出：由于各种原因，如数据获取的困难、

仪器操作问题、传感器故障或成本限制等，某些视图的部分数据可能无法获得

–不同视图可能有不同的质量，如何在聚类过程中有效地衡量和利用各视图的质量，

从而避免质量较差的视图对聚类结果的负面影响

6

研究意义不完全多视图聚类

•研究意义

–提升聚类算法的鲁棒性：IMVC研究使得聚类方法在面对不完全数据时仍然能够

保持良好的性能

–促进大规模数据处理的发展：据规模不断增大，

IMVC的研究有助于开发出更高效的算法，能够