مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 24 2 2026 10 25 HMCNet: A Novel Framework for Multi-View Clustering under Incomplete View Conditions HMCNet:‏‎ ‎یک چارچوب نوین برای خوشه‌بندی چندنما ‏در شرایط ناقص بودن نماها fa سندس بهادری دانشگاه آزاد اسلامی واحد سنندج 2026 2 1 <p style="direction: ltr;">Clustering multi-view data in the presence of incomplete views is one of the major challenges in machine learning and data mining. Existing methods often suffer from performance degradation when faced with high rates of incomplete views and are unable to extract common and consistent features between views. Considering the statistics and objective examples presented, which indicate the high prevalence of incomplete views in real applications (with rates between 10% and 50%) and the severe performance degradation of traditional methods in these conditions, the HMCNet model is introduced in this study. By utilizing the combination of attention module, nonlinear UMAP dimensionality reduction, and probability-based composite loss function, this model is able to preserve the local structures of the data and enhance the consistency between views even in the presence of high incompleteness rates (up to 50%). Extensive experiments were conducted on datasets for evaluation. The results showed that the proposed model consistently outperforms state-of-the-art methods in ACC, NMI, and Purity metrics. Also, the analyses of deletion experiments confirmed the importance of each component in improving the model performance. Overall, the findings of this research show that HMCNet can be used as a general and powerful framework for clustering multi-view data under incomplete view conditions and provide new avenues for real-world applications in various scientific and industrial fields.</p> <p>خوشه&zwnj;بندی داده&zwnj;های چندنما &rlm;&lrm;در حضور نماهای ناقص یکی از چالش&zwnj;های مهم &rlm;در یادگیری &rlm;ماشین و داده&zwnj;کاوی است. روش&zwnj;های موجود غالباً در مواجهه با &rlm;نرخ&zwnj;های بالای ناقص بودن نماها دچار افت عملکرد می&zwnj;شوند &rlm;و قادر به &rlm;استخراج ویژگی&zwnj;های مشترک و سازگار میان نماها نیستند. با توجه به آمار و &rlm;نمونه&zwnj;های عینی بیان&zwnj;شده که نشان&zwnj;دهنده شیوع بالای ناقص&zwnj;بودن نماها در &rlm;کاربردهای واقعی (با نرخ&zwnj;های بین 10% تا 50%) و افت شدید عملکرد &rlm;روش&zwnj;های سنتی در این شرایط است، در این پژوهش مدل&lrm; HMCNet &lrm;معرفی &rlm;شده است. این مدل با بهره&zwnj;گیری از ترکیب ماژول توجه، کاهش ابعاد &rlm;غیرخطی&lrm; UMAP &lrm; و تابع زیان ترکیبی مبتنی بر احتمال، قادر است ساختارهای &rlm;محلی داده&zwnj;ها را حفظ کرده و سازگاری میان نماها را حتی در حضور نرخ&zwnj;های &rlm;بالای ناقص&zwnj;بودن (تا 50%) تقویت نماید&lrm;.&lrm;&rlm; برای ارزیابی، آزمایش&zwnj;های &rlm;گسترده&zwnj;ای بر روی &rlm;دادگان&shy;ها &rlm;&lrm;انجام شد. نتایج نشان &rlm;داد که مدل پیشنهادی &rlm;در معیارهای &rlm;ACC، &rlm;NMI&lrm; و&lrm; Purity&lrm; به&zwnj;طور پایدار عملکردی برتر نسبت به &rlm;روش&zwnj;های پیشرفته &rlm;دارد. همچنین تحلیل&zwnj;های آزمایش&zwnj;های حذف&lrm; &lrm;&rlm; اهمیت هر &rlm;مؤلفه را در بهبود عملکرد مدل تأیید کردند&lrm;.&lrm;&rlm; به&zwnj;طور کلی، یافته&zwnj;های این &rlm;پژوهش نشان می&zwnj;دهند که &rlm;HMCNet&lrm;&rlm; می&zwnj;تواند به&zwnj;عنوان یک چارچوب عمومی &rlm;و قدرتمند برای خوشه&zwnj;بندی داده&zwnj;های چندنما در شرایط ناقص بودن &rlm;نماها &rlm;مورد استفاده قرار گیرد و مسیرهای جدیدی برای کاربردهای واقعی در &rlm;حوزه&zwnj;های مختلف علمی و صنعتی فراهم سازد&lrm;.&lrm;</p> http://ijece.org/ar/Article/Download/52865