通过联合学习锚点表示和多重图对齐实现的大规模多视图聚类

锚点图聚类在多视图数据中面临平衡单视图锚点独特性与全局一致性的挑战。本文提出ARMGA方法，通过联合优化锚点表示与多视图图对齐实现协同学习。创新性地引入Schatten-p范数约束的适配锚点表示，并采用虚拟图对齐机制提升跨视图一致性。同时结合低秩矩阵分解降低计算复杂度，在九个数据集上较现有方法提升2%-10%聚类指标，时间复杂度显著降低。

　　

摘要：

基于锚点的聚类方法是目前处理大规模数据的主要技术。然而，在多视图数据中，现有的基于锚点的方法面临一个关键挑战：如何在保持各个锚点图独特性的同时确保最终结果的一致性。为了解决这一挑战，我们提出了一种大规模多视图聚类（MVC）方法，该方法通过联合学习锚点表示和多图对齐（ARMGA）来实现。具体而言，ARMGA引入了一个统一的框架，可以同时学习单视图锚点表示和基于虚拟图的多图对齐。该方法旨在保持锚点学习在不同视图间的适应性，同时确保合并后的锚点图具有最终的一致性。此外，ARMGA在对多图对齐得到的自适应锚点表示张量上应用了Schatten-p范数，以加强跨视图的一致性。这种技术有效地利用了跨视图保留的互补信息，增强了整体结构和共识信息。为了减少锚点表示矩阵中的噪声影响，ARMGA利用低秩表示中的余弦角度信息作为关系矩阵中的系数，并通过推导有效地降低了计算复杂度。在九个数据集上，ARMGA在聚类性能指标上相比其他算法提高了2%–10%，同时保持了更低的时间复杂度。

引言

随着技术的不断发展，来自不同视角的多视图数据在现实场景中大量涌现，引起了广泛关注。与单视图数据相比，多视图数据提供了更全面的样本信息，有望提升多视图聚类（MVC）的性能和鲁棒性。然而，如果处理不当，多视图数据可能会阻碍对数据相关性的充分探索和利用，从而降低性能。在MVC领域，关键挑战在于如何有效地利用和整合各种视图特定的信息[1]。