融合变分自编码器的不完整多视图模糊聚类

摘要

多视图聚类的目的是将高度相似的数据对象划分到同一簇，为实现高维数据、多视图数据的高效聚类，提出了融合变分自编码器的不完整多视图模糊聚类VAE-IMFC，该模型将变分自编码器的生成能力和自表达模块的辨别能力有效结合.该模型一方面利用变分自编码器明确补偿样本缺失的视图特征，另一方面利用L1和L2正则化生成更具鉴别性的子空间表示完成聚类任务.同时，由于生成数据的模糊性和不确定性，该模型使用模糊聚类代替传统的硬聚类完成样本分群分类，避免了传统聚类分析中“非此即彼”的分类方式.通过大量实验证明所提出VAEIMFC方法在高维数据、多视图数据聚类时的有效性，与现有方法相比，实现较大改进.

关键词

不完整多视图聚类 / 变分自编码器 / 正则化 / 模糊聚类