[論文レビュー] Deep Incomplete Multi-View Clustering via Hierarchical Imputation and Alignment

Yiming Du, Ziyu Wang+3 more|arXiv (Cornell University)|Jan 14, 2026

Domain Adaptation and Few-Shot Learning被引用数 0

ひとこと要約

DIMVC-HIA は階層的補完とデュアル整列（エネルギーに基づく割り当てと対照的割り当て）を備えた不完全なマルチビュークラスタリングの深層フレームワークを提案し、欠損ビュー下でロバストなクラスタリングを実現します。

ABSTRACT

Incomplete multi-view clustering (IMVC) aims to discover shared cluster structures from multi-view data with partial observations. The core challenges lie in accurately imputing missing views without introducing bias, while maintaining semantic consistency across views and compactness within clusters. To address these challenges, we propose DIMVC-HIA, a novel deep IMVC framework that integrates hierarchical imputation and alignment with four key components: (1) view-specific autoencoders for latent feature extraction, coupled with a view-shared clustering predictor to produce soft cluster assignments; (2) a hierarchical imputation module that first estimates missing cluster assignments based on cross-view contrastive similarity, and then reconstructs missing features using intra-view, intra-cluster statistics; (3) an energy-based semantic alignment module, which promotes intra-cluster compactness by minimizing energy variance around low-energy cluster anchors; and (4) a contrastive assignment alignment module, which enhances cross-view consistency and encourages confident, well-separated cluster predictions. Experiments on benchmarks demonstrate that our framework achieves superior performance under varying levels of missingness.

研究の動機と目的

• マルチビューデータのいくつかのビューが欠損している場合のクラスタリングに対処する。
• 欠損クラスタ割り当てと潜在特徴を回復する階層的補完戦略を開発する。
• ビュー間の内部クラスタの緊密さを促進するエネルギーに基づく意味的整列を導入する。
• クラスタ予測の跨ビューの一貫性と信頼性を向上させる対照的割り当て整合性を組み込む。

提案手法

• 各ビュー固有のオートエンコーダを用いて潜在表現を取得し、ソフトな割り当ての共有クラスタリング予測子を用意する。
• 階層的補完を実行する： (i) クロスビュー対照類似性による欠損クラスタ割り当てを補完、次に (ii) intra-view, intra-cluster 統計を用いて欠損特徴を再構成する。
• クラスタ特異的エネルギーモデルを用いたエネルギーに基づく意味的整列を適用し、クラスタ内エネルギー分散を最小化する。
• 対照的割り当て整合性損失を組み込み、ビュー間のクラスタ割り当てを整列させ、予測を良く分離させるようにする。
• 再構成損失、EBM整列損失、および対照的割り当て整合性損失を統合したエンドツーエンド最適化を行う。

実験結果

リサーチクエスチョン

• RQ1 欠損ビューをクラスタ割り当てレベルで効果的に補完して意味構造を保つにはどうすればよいか。
• RQ2 IMVC における内部クラスタの緊密さと跨ビューの一貫性を改善するデュアル整列メカニズムは有効か。
• RQ3 階層的補完は、さまざまなレベルのビュー不完全性下でロバストなクラスタリングにどのような影響を与えるか。

主な発見

• DIMVC-HIA は欠損比率0.7までの4つのベンチマークデータセットで10個のベースラインを凌ぐ性能を達成。
• Fashion-MNIST の欠損率0.7で DIMVC-HIA は 95.27% ACC を達成、報告された方法の中で最高。
• Handwritten の欠損率0.7で DIMVC-HIA は 94.05% ACC を達成、2位の手法より顕著に高い。
• DIMVC-HIA は BDGP と MNIST-USPS で最良の総合性能を維持し、欠損率に関係なく ACC の変動が約6%程度で安定性が高い。
• アブレーション研究により対照的割り当て整列を除くと最大の性能低下が生じ、重要性が強調される。一方、再構成またはエネルギーに基づく整列を除く場合も結果が劣化する。
• 収束と可視化の分析は、極めて欠搏下でも安定した訓練と十分に分離されたクラスタ構造を示す。