论文题目:Deep Safe Multi-view Clustering: Reducing the Risk of Clustering Performance Degradation Caused by View Increase.
作者:唐华镱,刘勇
通讯作者:刘勇
论文概述:多视图聚类通过挖掘多个视图的互补信息来提高聚类性能。然而,我们观察到视图数量的增加并不总能确保提高模型的聚类效果。为此,我们提出了一个基于深度学习的通用框架以降低视图增加带来的聚类性能下降的风险。具体地,该模型需要通过自动选择来自不同视图的特征来同时挖掘互补信息和去除无意义的噪声。这两个学习过程通过提出的双层优化目标被集成到统一的框架。在理论上,该框架的经验聚类风险不高于在视图增加前的数据和新增加的单视图数据上的经验聚类风险。
同时,在基于散度的聚类损失下,该框架的期望聚类风险以高概率不高于在视图增加前的数据和新增加的单视图数据上的期望聚类风险。在基准多视图数据集上的综合实验证明了该框架在实现安全多视图聚类上的有效性和优越性。