摘要: 摘 要: 针对传统深度不完备多视图聚类算法中补全缺失视图数据的不确定性,嵌入学习缺乏鲁棒性以及模型泛化性低的问题,提出了基于注意力机制的不完备多视图聚类算法(IMVCAM)。首先,通过K最近邻(KNN)补全了视图中缺失的数据,使得训练数据具有互补性;然后,经过线性编码层,再将获得的嵌入通过注意力层,提高嵌入的质量;最后,对每个视图训练得到的嵌入使用k均值聚类算法(k-means),视图的权重通过皮尔逊相关系数进行确定。实验在五个经典的数据集上进行,在Fashion数据集上取得最优的结果。在Fashion数据集上的实验结果表明,所提算法IMVCAM相较于次优的DSIMVC(Deep Safe Incomplete Multi-View Clustering)在数据缺失率为0.1,0.3的情况下聚类精度提升了2.85,4.35个百分点。此外,在Caltech101-20数据集上,缺失率为0.1,0.3的情况下相比于次优的IMVCSAF(Incomplete Multi-View Clustering algorithm based on Self-Attention Fusion)聚类精度提升了7.68,3.48个百分点。
中图分类号: