基于双补全的不完整多视图度量学习

作     者：曲鹏欢 魏巍 闫京 王锋 

作者机构：山西大学计算机与信息技术学院 山西大学计算智能与中文信息处理教育部重点实验室 

出 版 物：《计算机应用》 (Journal of Computer Applications)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 

基　　金：国家自然科学基金项目(62276160、62276158) 山西省自然科学基金(202203021211291) 山西省1331工程项目 

主　　题：不完整多视图 度量学习 表示学习 差异性 一致性 

摘      要：在实际应用中，多视图度量学习成为处理多视图数据的有效方法。然而，多视图数据的不完整性给多视图度量学习带来了巨大挑战。尽管已有一些方法试图解决不完整多视图问题，但它们仍存在以下不足：1）现有方法大多依赖于已有样本的k近邻来补全缺失数据，容易忽视样本或视图的独特特征；2）它们仅利用现有样本表示来计算近邻，无法充分表达样本间的近邻关系。为此，提出基于双补全的不完整多视图度量学习方法（DIMVML）。该方法首先利用深度自编码器提取各视图的潜在特征，再结合样本的分布信息和视图间的差异信息来补全缺失样本；其次，根据补全样本的质量进行融合，以获得更高质量的补全结果；最后，通过损失函数优化视图内和视图间的关系。在聚类实验中，本文方法在HandWritten、Caltech101-7、Leaves和YouTubeFace10数据集上的准确率和F值均优于九种先进方法；在分类实验中，本文方法在CUB、ORL和HandWritten数据集上的准确率显著超过其他多视图方法。