基于合作式的多视图数据深度子空间聚类的研究

Data clustering aims to group the data objects into different groups with each group characterizes the large data similarities, meanwhile bearing quite small similarities among different groups, hence laying down a fundamental basis for a wide range of applications. Under the scenario of Big Data Decade, the high-dimensional curse motivates the requirement of subspace clustering with multi-view spaces, where the dimensions are feasibly low to perform the task while preserving the structured data similarities in original high-dimensional spaces. ..The existing multi-view subspace clustering methods achieve superior performance than single view case. However, they still suffer from the following limitations: (1) they lacks of in-depth collaborations among multi-views, so that the multi-view consensus subspace cannot be achieved, leading to sub-optimal performance. (2) The existing methods are limited to handling data set with linear structure, but are not ideal to the candidates with complex nonlinear structures. ..Based on the above, we systematically propose 4 novel multi-view collaborative deep fusion techniques for subspace clustering. To well achieve the nonlinear structural similarities consensus, leading to ideal multi-view consensus deep subspace, where the improved subspace clustering methods are expected to obtain.

数据聚类旨在将数据集在特定的空间下形成不同组, 使得同组内的数据之间具有很大的相似性, 而不同组的数据之间具有很小的相似性。 数据通常处于高维多视图特征空间下, 因此产成了多视图子空间聚类。传统的线性方法虽然能够有效的融合不同视图之间的数据结构化信息, 但仍然存在以下缺陷：(1) 现有的融合方式没有能够有效地开展多视图之间的深入合作取得有效的数据结构化信息的统一; (2) 现有的方法没有能够挖掘深度非线性的数据结构化信息, 因此面对复杂的数据分布仍然有很大的聚类局限性。 鉴于以上问题, 我们拟提出构建多视图深度网络编码空间, 在此基础上提出合作式的多视图融合方式, 即充分参考其他视图下深度网络信息的同时更新自身视图下的非线性数据结构化信息, 取得多视图深度统一并且融合。 我们系统的提出4种多视图深度合作式融合方法, 最终取得更加理想的多视图深度子空间聚类结果。

随着深度网络的大量涌现，大量的传统人工智能应用得到提升，主要得益于深度网络产生的非线性高维的特征空间。本项目致力于探索多视图环境下的多媒体数据的深度特征空间，更好的学习融合不同视图特征空间下蕴含的能量，进而更好的表达多视图数据，服务于人工智能应用。具体而言，针对不同视图空间，开发不同种类的深度网络模型来学习各种有效的深度特征，同时将不同视图对应空间下的特征进行对齐进而取得多视图一致性，最终有效地解决具体问题。本项目共产生20篇学术论文，大部分都发表在人工智能，机器学习，信息检索以及多媒体计算领域的顶级期刊以及会议，同时部分成果被选为ESI高被引论文，本项目的成果不但推动了人工智能相关领域的发展，而且为本领域后续工作提供了指导。

内容获取失败，请点击重试