Resumen

Varios informes de la literatura han demostrado que la agrupación multivista puede adquirir un mejor rendimiento en datos multivistas completos. Sin embargo, los datos del mundo real suelen carecer de algunas muestras en cada vista y tienen un pequeño número de muestras etiquetadas. Además, casi todos los modelos de clustering multivista existentes no ejecutan bien los datos multivistas incompletos y no utilizan plenamente las muestras etiquetadas para reducir la complejidad computacional, lo que les impide su aplicación práctica. En vista de estos problemas, este trabajo propone un nuevo marco llamado Semi-supervised Multi-View Clustering with Weighted Anchor Graph Embedding (SMVC_WAGE), que es conceptualmente simple y genera eficientemente resultados de clustering de alta calidad en la práctica. En concreto, introducimos una estrategia de anclaje sencilla y eficaz. Basándonos en los puntos de anclaje seleccionados, podemos explotar la información de la vista intrínseca y extrínseca para unir todas las muestras y capturar relaciones no lineales más fiables, lo que aumenta enormemente la eficiencia y mejora la estabilidad. Mientras tanto, construimos el gráfico global fusionado de forma compatible con múltiples vistas a través de un mecanismo de fusión de gráficos sin parámetros que fusiona directamente los gráficos de las vistas. Con este fin, el método propuesto no sólo puede tratar bien la agrupación completa de vistas múltiples, sino que también puede extenderse fácilmente a los casos de vistas múltiples incompletas. Los resultados experimentales muestran claramente que nuestro algoritmo supera a algunos competidores del estado del arte en cuanto a capacidad de agrupación y coste de tiempo.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:agrupación de vistas, datos de vistas, muestra etiquetada, punto de anclaje seleccionado, mecanismo de fusión de gráficos, información extrínseca de las vistas, relaciones no lineales fiables, estrategia de anclaje eficaz, modelo de agrupación de vistas, resultados de agrupación de calidad
• Keywords:view clustering, view data, labeled sample, selected anchor point, graph fusion mechanism, extrinsic view information, reliable nonlinear relations, effective anchor strategy, view clustering model, quality clustering results