Abstract (deu)
In dieser Arbeit heben wir die Bedeutung von Deep Clustering Methoden für multimodale und unvollständige Datensätze hervor. Dabei kombinieren wir zwei bestehende Methoden, das probabilistische Deep Clustering Modell für unimodale Daten, Variational Deep Embedding (VaDE), sowie den Partial Variational Autoencoder (VAE) mit der Pointnet Plus (PNP) Struktur, welcher erlaubt auch unvollständige Daten zu berücksichtigen. Wir erweitern die Architektur von VaDE um einen weiteren VAE und untersuchen zwei Methoden um multimodale Datensätze zu verknüpfen. Um mit fehlenden Datenpunkten in beiden Datenmodalitäten umgehen zu können, integrieren wir den Partial VAE mit dem PNP. Mit dieser Vorgehensweise definieren wir ein partielles Clustering-Ziel, welches ausschließlich von beobachteten Datenpunkten abhängt und stellen das Partial Multi-View Variational Deep Embedding (Partial MV-VaDE) Modell vor. Die Performance des Modells wird anhand von umfangreichen Experimenten an multimodalen Datensätzen, für welche fehlende Datenpunkte generiert werden, evaluiert. Außerdem schauen wir uns die Cluster-Wahrscheinlichkeiten im Detail an und vergleichen die Resultate mit verschiedenen Baseline-Methoden.