计算机应用

作者：曲鹏欢, 魏巍, 闫京, 王锋

单位：1.山西大学 计算机与信息技术学院，太原 030006；2.计算智能与中文信息处理教育部重点实验室（山西大学），太原 030006

关键词：不完整多视图,度量学习,表示学习,差异性,一致性

基金：国家自然科学基金资助项目(62276160);国家自然科学基金资助项目(62276158);山西省自然科学基金资助项目(202203021211291);山西省1331工程项目

在实际应用中，多视图度量学习成了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（kNN）来补全缺失数据，而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，而无法充分表达样本间的近邻关系。因此，提出基于双补全的不完整多视图度量学习方法（DIMVML）。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补全缺失样本；其次，根据补全后的样本的质量进行结果融合，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。实验结果表明：在聚类实验中，所提方法在HandWritten、Caltech101-7、Leaves和YouTubeFace10数据集上的准确率和F1分数均优于SPCC（Subgraph Propagation and Contrastive Calibration）、LHGN（Latent Heterogeneous Graph Network）等先进的多视图方法；在分类实验中，所提方法在CUB、ORL和HandWritten数据集上的准确率显著超过其他多视图方法。

来源：2025年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第9期