计算机应用

作者：杨成昊, 胡节, 王红军, 彭博

单位：西南交通大学 计算机与人工智能学院，成都 611756

关键词：不完备多视图聚类,K最近邻算法,注意力机制,k均值聚类算法,皮尔逊相关系数

基金：国家自然科学基金资助项目(62276216);四川省重点研发计划项目(2023YFG0354);2023年西南交通大学国际学生教育管理研究项目(23LXSGL01)

针对传统深度不完备多视图聚类算法中补全缺失视图数据的不确定性、嵌入学习鲁棒性的缺乏和模型泛化性低的问题，提出基于注意力机制的不完备多视图聚类算法（IMVCAM）。首先，通过K最近邻（KNN）算法补全了视图中缺失的数据，使训练数据具有互补性；其次，经过线性编码层后，将获得的嵌入通过注意力层，以提高嵌入的质量；最后，对每个视图训练得到的嵌入使用k均值聚类算法进行聚类，而视图的权重通过皮尔逊相关系数确定。在5个经典的数据集上的实验结果表明，在Fashion数据集上，IMVCAM取得最优的结果，相较于次优的深度安全不完整多视图聚类（DSIMVC）算法，在数据缺失率为0.1、0.3的情况下，IMVCAM的聚类准确率分别提升了2.85、4.35个百分点；此外，在Caltech101-20数据集上，IMVCAM相较于次优的基于自注意力融合的不完整多视图聚类算法（IMVCSAF），在数据缺失率为0.1、0.3的情况下的聚类准确率分别提升了7.68、3.48个百分点。所提算法能够有效应对多视图数据的不完备性和模型泛化性问题。

来源：2024年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第12期