近日，安徽工程大学计算机与信息学院PRiSE（Pattern Recognition and Intelligence Software Engineering）研究团队23级硕士研究生郭啸行在国际权威期刊《IEEE Transactions on Multimedia》（一区Top，IF 9.7）发表题为“Tensor-based late fusion incomplete multiview clustering (TLF-IMVC-1/2)”的研究成果，安徽工程大学为论文第一署名单位。
该研究针对基于后期融合的不完整多视图聚类算法易受低质量填补影响、忽视高阶相关性以及过度侧重速度而忽视性能等问题，提出了两个创新模型。第一个模型将聚类过程与缺失填补无缝集成，并利用张量核范数捕获基础聚类矩阵的高阶相关性。第二个模型进一步将学到的共识表示矩阵作为新组件构建张量，利用共识矩阵的鲁棒结构指导基础聚类矩阵的学习。实验表明，两个模型均显著优于现有最先进方法。
研究主要创新点：
1. 首次将聚类过程与缺失元素填补无缝集成到统一框架中，解决了传统方法中聚类与填补割裂的问题；
2. 提出两阶段模型策略，第二阶段创新性地利用共识表示矩阵指导基础聚类矩阵学习，有效抵御低质量填补的干扰；
3. 在保持后期融合算法高效率的同时，显著提升了聚类精度。
