Resumen

El clustering multivista tiene como objetivo mejorar el rendimiento del clustering mediante la integración óptima de la información de múltiples vistas. Aunque han demostrado un rendimiento prometedor en varias aplicaciones, los algoritmos de clustering multivista existentes no pueden manejar eficazmente el carácter incompleto de las vistas. Recientemente, se ha propuesto un trabajo pionero que trata este problema integrando la agrupación multivista y la imputación en un marco de aprendizaje unificado. Aunque su marco es elegante, observamos que pasa por alto la consistencia entre vistas, lo que conduce a una reducción del rendimiento de la agrupación. Para resolver este problema, proponemos un nuevo método de aprendizaje unificado para la agrupación de vistas incompletas, que imputa simultáneamente las vistas incompletas y aprende un resultado de agrupación consistente con un modelado explícito de la consistencia entre vistas. Más concretamente, se mide la similitud entre el resultado de clustering de cada vista y el resultado de clustering consistente. La consistencia entre las vistas se modela entonces utilizando la suma de estas similitudes. Las vistas incompletas se imputan para conseguir un resultado de agrupación óptimo en cada vista, manteniendo la consistencia entre vistas. Las extensas comparaciones con los métodos más avanzados, tanto en conjuntos de datos sintéticos como de vistas incompletas del mundo real, validan la superioridad del método propuesto.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:resultados de clustering consistentes, vista incompleta, clustering multivista, consistencia de la vista, integración de la información, algoritmo de clustering multivista, métodos de aprendizaje unificados, marco de aprendizaje unificado, clustering multivista incompleto, resultados de clustering óptimos
• Keywords:consistent clustering results, incomplete view, multiview clustering, view consistency, integration of information, multiview clustering algorithm, unified learning methods, unified learning framework, incomplete multiview clustering, optimal clustering results