Đồng thuận mờ đa khung nhìn sâu với phân cụm bất định
DOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE9.2025.83-91Từ khóa:
Phân cụm đa khung nhìn; Phân cụm mờ; Nhúng đồng thuận; Mô hình hóa tính không chắc chắn; Tự mã hóa sâu; Điều chuẩn entropy.Tóm tắt
Việc phân cụm dữ liệu đa góc nhìn gặp nhiều thách thức do tính không đồng nhất của các đặc điểm, sự không nhất quán giữa các góc nhìn và tính bất định vốn có. Các phương pháp phân cụm mờ truyền thống (FCM, PFCM) không thể khai thác thông tin bổ sung, trong khi hầu hết các mô hình đa góc nhìn đều bỏ qua tính bất định và trọng số thích ứng. Chúng tôi đề xuất một khuôn khổ mờ sâu thống nhất có tên là DMFCU (Đồng thuận mờ đa góc nhìn sâu với bất định), tích hợp tái tạo bộ mã hóa tự động đa góc nhìn, phân cụm mờ trong không gian đồng thuận, căn chỉnh chéo góc nhìn, chính quy hóa bất định và trọng số góc nhìn dựa trên entropy. Quá trình tối ưu hóa xen kẽ các bản cập nhật thành viên, trọng tâm và trọng số góc nhìn với lan truyền ngược để học biểu diễn. Các thí nghiệm trên các tập dữ liệu chuẩn cho thấy DMFCU luôn vượt trội hơn các phương pháp phân cụm mờ hiện đại về độ chính xác, NMI và độ mạnh mẽ trong các góc nhìn nhiễu hoặc không đầy đủ. Khuôn khổ này đạt được khả năng mô hình hóa mạnh mẽ với độ phức tạp tương đương, cung cấp một giải pháp có nguyên tắc cho phân cụm đa góc nhìn đáng tin cậy trong điều kiện bất định.
Tài liệu tham khảo
[1]. James C. Bezdek, “Pattern recognition with fuzzy objective function algorithms”, Springer, (1981).
[2]. Chang Xu, et al., “A survey on multi-view learning”, Artificial Intelligence, vol. 228, pp. 1–42, (2013).
[3]. Zhiming Cui, et al., “Co-FKM: A collaborative fuzzy k-means clustering algorithm for multi-view data”, IEEE Transactions on Fuzzy Systems, vol. 28, no. 12, pp. 3430–3444, (2020).
[4]. Qian Wang, et al., “Weighted-view co-regularized fuzzy c-means for multi-view clustering”, Knowledge-Based Systems, vol. 223, p. 107059, (2021).
[5]. Chunfeng Zhang, et al., “Minimax fuzzy clustering for multi-view data”, IEEE Transactions on Fuzzy Systems, vol. 26, no. 6, pp. 3255–3267, (2018).
[6]. Xingchen Li, et al., “Collaborative multi-view fuzzy clustering based on Gaussian mixture model”, Neurocomputing, vol. 661, p. 131961, (2026).
[7]. Miin-Shen Yang, et al., “Weighted multiview possibilistic c-means clustering with L2 regularization”, IEEE Transactions on Fuzzy Systems, vol. 30, no. 5, pp. 1357–1370, (2022).
[8]. Xiao Zheng, et al., “Multi-view clustering via matrix factorization assisted k-means”, Neurocomputing, vol. 534, pp. 45–54, (2023).
[9]. Jinglin Xu, et al., “Discriminatively embedded k-means for multi-view clustering”, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 5356–5364, (2016).
[10]. Feiping Nie, et al., “Multi-view clustering and semi-supervised classification with adaptive neighbours”, Proceedings of the AAAI Conference on Artificial Intelligence, vol. 33, no. 1, pp. 5288–5295, (2019).
[11]. Abhishek Kumar, et al., “Co-regularized multi-view spectral clustering”, Advances in Neural Information Processing Systems, (2011).
[12]. Rongkai Xia, et al., “Robust multi-view spectral clustering via low-rank and sparse decomposition”, Proceedings of the AAAI Conference on Artificial Intelligence, (2014).
[13]. R. Krishnapuram and J. M. Keller, “A possibilistic approach to clustering”, IEEE Transactions on Fuzzy Systems, vol. 1, no. 2, pp. 98–110, (1993).
[14]. Reza Saatchi, “Fuzzy logic concepts, developments and implementation”, Information, vol. 15, no. 10, (2024).
[15]. Xiaochun Cao, et al., “Diversity-induced multi-view subspace clustering”, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (2015).
[16]. Jie Chen, et al., “Multi-view representation learning for data stream clustering”, Information Sciences, vol. 613, pp. 731–746, (2022).
[17]. Zonghan Shi, et al., “Deep multi-view clustering based on reconstructed self-expressive matrix”, Applied Sciences, vol. 13, no. 15, p. 8791, (2023).
[18]. Donald E. Gustafson and William C. Kessel, “Fuzzy clustering with a fuzzy covariance matrix”, Proceedings of the IEEE Conference on Decision and Control (CDC), pp. 761–766, (1979).
[19]. Bingqian Lin, et al., “Jointly deep multi-view learning for clustering analysis”, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (2018).
