科研之友
微信
新浪微博
Facebook
分享链接
摘要
多视图子空间聚类方法因其可以揭示数据内在的低维结构而被广泛关注,但大多数现有的多视图子空间聚类算法直接将多个来自原始数据的充满噪声的相似度矩阵进行融合,并且通常是在得到一致的多视图表示之后再使用K均值算法聚类得到最终的结果,这种将表示的学习过程和后续的聚类过程分离的两阶段算法会导致无法得到最优的聚类结果。为了解决这些问题,提出一种单步划分融合多视图子空间聚类算法。该算法不是直接融合具有噪声和冗余信息的相似度矩阵,而是从相似度矩阵中提取出更具有判别性信息的划分级信息进行融合。提出一个新的框架,将表示学习、多视图信息融合以及最后的聚类过程整合在同一框架中。这三个过程彼此促进,好的聚类结果可以引导生成更好的多视图表示,从而得到更好的聚类效果。提出一种有效的轮替优化算法来解决由此得到的优化问题。最后,在四个真实的基准数据集上得到的实验结果可以证明提出方法的有效性以及先进性。
- 单位
