适应性实例映射与深度特征融合的不完备多视图子空间聚类

标题：“不完整多视图子空间聚类：自适应实例样本映射与深度特征融合”（Incomplete Multi-View Subspace Clustering with Adaptive Instance-Sample Mapping and Deep Feature Fusion, IMDF）的研究论文发表于《应用智能》(Applied Intelligence)期刊，DOI:10.1007/s10489-020-02138-9。这篇论文在2020年12月10日被接受，作者是 Mengying Xie、Zehui Ye、Gan Pan 和 Xiaolan Liu。 多视图子空间聚类是实际应用中的一个重要工具，它利用多个视角的互补信息，并将每个视角的样本视为一个通用子空间的一组基。传统方法假设每个实例都包含所有视角的所有特征，但在现实情况下，由于数据缺失或损坏，某些特征可能在某些视角下丢失，导致数据集变得不完整。本文提出了一种新的方法——IMDF（不完整多视图子空间聚类），它解决了这个问题。 IMDF算法的核心创新在于引入了自适应实例样本映射和深度特征融合。首先，利用注意力机制的优势，该算法能够对卷积神经网络（Convolutional Neural Networks, CNNs）提取的深度特征进行加权融合。这种方式允许算法以一种灵活的方式整合来自不同视角的丰富信息，减少因为视角不完整性带来的影响。注意力机制有助于模型关注最重要的特征组合，从而提高聚类的准确性和鲁棒性。 深度特征融合通过自适应地调整不同视角的特征权重，使得算法能够更好地处理缺失数据，同时保留多源信息的潜在结构。这不仅提高了不完整数据的处理能力，还可能在一定程度上减少对完整数据的依赖，扩展了多视图聚类方法的应用范围。 IMDF算法通过创新的技术手段，如注意力机制和深度特征融合，针对不完整多视图数据集提出了有效的聚类策略，这对于实际问题中的数据挖掘和分析具有重要的实践价值。在未来的研究和工程应用中，这种自适应的方法有望成为处理多源、非均匀数据的一种前沿策略。