Wang Q, Ding Z, Tao Z, et al. Partial multi-view clustering via consistent GAN[C]//2018 IEEE International Conference on Data Mining (ICDM). IEEE, 2018: 1290-1295.
关键词
不完整多视图聚类
一致的对抗生成网络
编码多视图common表示
推断缺失的视图
本文主要提出了一个新的深度生成模型--consistent GAN，主要包含两个encoders，两个GANs和一个clustering layer。
模型简记
给定包含两个视图的数据。该数据可以被分为两个部分，成对的数据
表示对于
-th样本而言，两个视图的表示是完整的；非成对数据
表示仅包含两个视图的其中之一。
和
分别表示视图1和视图2缺失或生成的数据。
该网络主要包含7个子组件：
- 堆叠的全连接编码器
该部分主要用于学习原始数据到低维空间的映射：,
。该网络通过共享参数
达到学习common信息的效果。
- 生成器
（解码器）
该部分用于通过和
重构原始的输入。网络结构与编码器部分对称，但是在生成中，作者使用的是二对一的模式，即：使用两个视图的中间表示
和
通过
生成视图1的重构表示，因此可以对应两项
和
。对于视图2的生成也是同理。
- 辨别器
其值域为。每个辨别器包含3层堆叠的全连接层，用于辨别生成样本
和
。单独来说，
主要用于识别
是生成样本，而
是真实样本。然后使用该结构反调生成网络中的参数，直到辨别器没办法区分生成样本和真实样本。
- 深度嵌入聚类层
详见DEC。
目标函数
-
Total Loss
包含重构误差，cycleGAN损失以及聚类损失：
-
AE Loss
其实就是重构误差：
-
Cycle GAN Loss
该损失主要针对的是非成对数据的生成，主要运用于图像的风格迁移。
其主要目的是使用一个分布去生成另一个。假设两个视图所对应的数据分布为。使用
表示将视图1的样本映射到视图2的数据分布--使用视图1的数据去生成对应视图2的数据
。
接着使用辨别器去识别生成样本和真实样本。
因此，cycle GAN的损失可以形式化为：
其中，GAN的loss为：生成样本和原始样本的一致性损失为：
下面给出一点例子的分析：
- KL Clustering Loss
该损失主要是对聚类分配的调整和对视图表示的优化。
对于来自多视图的表示，使用了一个共享的隐含空间来表示：
并在该common空间中计算聚类损失。聚类损失的构造这里就不再赘述。
巧妙的利用了cycle GAN对unpair data的生成能力来解决缺失视图的生成工作。
