Multiview clustering aims to leverage information from multiple views to improve the clustering performance. Most previous works assumed that each view has complete data. However, in real-world datasets, it is often the case that a view may contain some missing data, resulting in the problem of incomplete multiview clustering (IMC). Previous approaches to this problem have at least one of the following drawbacks: 1) employing shallow models, which cannot well handle the dependence and discrepancy among different views; 2) ignoring the hidden information of the missing data; and 3) being dedicated to the two-view case. To eliminate all these drawbacks, in this work, we present the adversarial IMC (AIMC) framework. In particular, AIMC seeks the common latent representation of multiview data for reconstructing raw data and inferring missing data. The elementwise reconstruction and the generative adversarial network are integrated to evaluate the reconstruction. They aim to capture the overall structure and get a deeper semantic understanding, respectively. Moreover, the clustering loss is designed to obtain a better clustering structure. We explore two variants of AIMC, namely: 1) autoencoder-based AIMC (AAIMC) and 2) generalized AIMC (GAIMC), with different strategies to obtain the multiview common representation. Experiments conducted on six real-world datasets show that AAIMC and GAIMC perform well and outperform the baseline methods.

中文翻译：

---

对抗式不完整多视图子空间聚类网络。

多视图群集旨在利用来自多个视图的信息来改善群集性能。以前的大多数工作都假定每个视图都有完整的数据。但是，在现实世界的数据集中，视图通常可能包含一些缺失的数据，从而导致不完整的多视图聚类（IMC）的问题。解决该问题的现有方法至少具有以下缺点之一：1）采用浅层模型，不能很好地处理不同视图之间的依赖性和差异性；2）忽略丢失数据的隐藏信息；3）专为二视图案例而设计。为了消除所有这些缺点，在这项工作中，我们提出了对抗性IMC（AIMC）框架。特别是，AIMC寻求多视图数据的公共潜在表示形式，以重建原始数据并推断缺失数据。将元素重建和生成对抗网络进行集成以评估重建。它们旨在捕获整体结构并分别获得更深入的语义理解。此外，聚类损失旨在获得更好的聚类结构。我们探索AIMC的两个变体，即：1）基于自动编码器的AIMC（AAIMC）和2）广义AIMC（GAIMC），并采用不同的策略来获得多视图通用表示。在六个真实世界的数据集上进行的实验表明，AAIMC和GAIMC的性能良好，并且优于基线方法。聚类损失旨在获得更好的聚类结构。我们探索AIMC的两个变体，即：1）基于自动编码器的AIMC（AAIMC）和2）广义AIMC（GAIMC），并采用不同的策略来获得多视图通用表示。在六个真实世界的数据集上进行的实验表明，AAIMC和GAIMC的性能良好，并且优于基线方法。聚类损失旨在获得更好的聚类结构。我们探索AIMC的两个变体，即：1）基于自动编码器的AIMC（AAIMC）和2）广义AIMC（GAIMC），并采用不同的策略来获得多视图通用表示。在六个真实世界的数据集上进行的实验表明，AAIMC和GAIMC的性能良好，并且优于基线方法。