不完全多视图聚类中延迟激活的互补性和一致性平衡
原文约200字,阅读约需1分钟。发表于: 。本研究从不完整多视图聚类中提取有价值的互补信息,设计了一种平衡互补性和一致性的框架,其中包括延迟激活的双网络,通过最小化条件熵和最大化不同视图之间的互信息来恢复不完整信息和增强一致性学习。我们在四个公开数据集上进行了广泛比较实验,证明了 CoCo-IMC 的有效性。
本研究提出了一种平衡互补性和一致性的框架,通过最小化条件熵和最大化不同视图之间的互信息来恢复不完整信息和增强一致性学习。实验证明了该方法的有效性。