高阶随机行走下分离式对比多视角聚类
原文中文，约200字，阅读约需1分钟。发表于：。通过随机游走在全局范围内逐步识别数据对，DIVIDE 使用新颖的多视角对比学习架构，在不同的嵌入空间中执行视图内和视图间对比学习，从而提升聚类性能，并增加对缺失视图的鲁棒性。
本文提出了一种新的不完整多视图对比聚类框架，通过优化潜在特征子空间和利用学习的特征向量及其子向量进行重建学习和一致性学习，有效避免了维度崩溃。同时，通过交叉视图预测机制恢复不完整数据，并使用最小条件熵丢弃不一致信息，进一步避免私有信息的影响。实验结果表明，该方法在5个公共数据集上实现了最先进的聚类结果。
