多视图聚类是无监督学习领域研究热点之一, 近年来涌现出许多优秀的多视图聚类工作,
但其中大多数方法均假设各视图是完整的, 然而真实场景下数据收集过程极容易发生缺失 …

多视图聚类能充分利用不同视图间数据的一致性和差异性, 引起越来越多的关注.
传统多视图聚类方法假设每个视图的数据都是完整的, 然而在实际应用中 …

隐写者检测通过设计模型检测在批量图像中嵌入秘密信息进行隐蔽通信的隐写者,
对解决非法使用隐写术的问题具有重要意义. 本文提出一种基于多示例学习图卷积网络(Multiple …

大规模多视图聚类旨在解决传统多视图聚类算法中计算速度慢, 空间复杂度高以致无法扩展到大
规模数据的问题. 其中, 基于锚点的多视图聚类方法通过使用整体数据集合的锚点集构建后者 …

现有多视图子空间聚类算法通常先进行张量表示学习, 进而将学习到的表示张量融合为统一的亲
和度矩阵. 然而, 因其独立地学习表示张量和亲和度矩阵, 忽略了两者之间的高度相关性 …

传统多视角聚类都基于视角完备假设, 要求所有样本的视角信息完整, 不能处理存在部分视角
缺失情形下的不完整多视角聚类任务. 为解决该问题, 提出一种基于低秩张量图学习的不完整多 …

随着数据量的增大, 多视图聚类中出现带有缺失视图数据的情况愈发常见,
此问题被称为不完备多视图聚类, 而引入深度模型进行聚类通常可以获得比浅层模型更为出色的 …

随着数据获取方式的多样化发展, 针对多视图领域的算法研究变得越来越重要,
但大多数方法仅通过自表示属性或局部结构获取样本间的相似性关系, 在此过程中忽略了整体 …

In recent years, graph embedding has become a research hotspot in the field of graph
neural networks. As an important means of graph task analysis, graph embedding encodes …