SubmissionsIn
commented
9 months ago 您好，感谢您的关注！
您对文中的表达模糊的地方的见解是正确的。我们在Eq. 23 中用m标记的c^m是缺失样本的类别表示（用于生成x^m），它应该与其对应不缺失的大多数视图c^v的均值一致。实验中，不同视图共享公共变量所以得到的c^v是一样的不需要平均。另外，对于缺失的x^m_i, 它私有表示的各个维度的均值和方差确实是在第m个视图上进行统计（由于不同样本i, j的X_i^m, Xj^m的m可能来自不同的V，所文中写作了{X^e}{e=1}^V）。
希望这些解答解决了您的疑问~
Scott0526
您好，在本方法的期刊版本中您进行了不完备多视图聚类的实验，在文中您提到先对缺失数据初始化然后进行训练，训练结束后在对缺失数据的推断过程中为什么会有各个视图的公共变量civ呢？按照您提出的框架不是需要先concat所有视图的s然后得到一个公共的c吗？另外，为什么不直接使用由缺失数据所在的视图得到的均值和方差，而是用其他存在的视图的估计呢。这一点我不是特别明白，期待您的解答！