多视图聚类中的表示学习:文献综述
来源: 王昌栋/
中山大学
1892
12
0
2022-08-06

近年来,多视图聚类吸引了越来越多研究者的关注。其主要思路是充分利用多个视图之间的互补和共识信息,将多视图数据划分到不同的类分区中。现有多视图聚类综述论文尚未考虑最近流行的基于深度学习的方法。因此,在本综述论文中,我们从表示学习的角度对多视图聚类进行了全面的研究。

 

 

 

 

 

本综述涵盖了主流的多视图聚类方法,包括基于深度学习的模型,提供了一种新的多视图聚类算法分类。此外,基于表征学习的多视图聚类方法主要可以分为两类,也就是,基于浅层表示学习的多视图聚类和基于深度表示学习的多视图聚类,其中基于深度学习的模型能够处理更复杂的数据结构,表现出更好的类结构表达。在浅层表示学习的多视图聚类中,我们根据表示学习的方法将其进一步分为两组,即多视图图聚类和多视图子空间聚类。更综合地,我们为读者提供了多视图聚类的基础研究资料,包括常用的多视图数据集介绍,并提供了下载链接和开源代码库。最后,文章指出了有待进一步研究和发展的问题。

 

本工作《Representation Learning in Multi-view Clustering: A Literature Review》发表于由中国计算机学会(CCF)主办、数据库专业委员会承办的国际英文期刊Data Science and Engineering。论文下载地址:https://link.springer.com/article/10.1007/s41019-022-00190-8

 

论文引用格式:

Man-Sheng Chen, Jia-Qi Lin, Xiang-Long Li, Bao-Yu Liu, Chang-Dong Wang, Dong Huang and Jian-Huang Lai. Representation Learning in Multi-view Clustering: A Literature Review. Data Science and Engineering, 2022.


登录用户可以查看和发表评论, 请前往  登录 或  注册
SCHOLAT.com 学者网
免责声明 | 关于我们 | 联系我们
联系我们: