《不完整多视图聚类与缺失视图推断的统一张量框架》

本人小小说明：这边文章是从这些作者之前发表的矩阵的那篇直接推广过来的，想学习的可以直接去看矩阵的那篇(UEAF)就能明了。《Unified Embedding Alignment withMissing-view Inferring for Incomplete Multi-view Clustering》

摘要：

本文提出了一种基于缺失视图推断的不完全多视图张量谱聚类方法(IMVTSC-MVI)来解决具有挑战性的缺失视图多视图聚类问题。不同于现有方法一般只关注挖掘可用视图的某些信息，而忽略缺失视图的隐藏信息和数据的视图内信息。IMVTSC-MVI试图恢复丢失的视图，并探索这些恢复视图和可用视图的完整信息，用于数据聚类。特别是，IMVTSC-MVI将基于特征空间的缺失视图推断和基于流形空间的相似图学习整合到一个统一的框架中。通过这种方式，IMVTSC-MVI使这两个学习任务相互促进，可以很好地挖掘缺失视图的隐藏信息。此外，IMVTSC-MVI引入了低秩张量约束来捕获多视图的高阶相关性。

Model of IMVTSC-MVI： 

为了解决不同观点之间的互补信息，我们提出了以下基于张量的不完全多视图低秩表示模型，该模型寻求恢复缺失的视图并同时获得所有视图的内在图。

其中X(v)表示第v个视图的可用实例和缺失实例的集合，其中缺失的实例以零向量的形式填充。E(v)表示需要恢复的缺失实例，其中nv为第v个视图中缺失实例的个数。误差矩阵B(v)用于补偿稀疏噪声。非负约束Z(v) 》0显式强制表示系数为表示对应两个样本的相似度的图权重。引入diag Z(v) = 0是为了避免样本在表示自身时的负贡献。Z(v)1 = 1的引入是为了保证所有实例至少可以与一个实例连接。张量Z是由Z(v) v=1构造的。引入张量低秩约束Z有助于捕获不同视图之间的高水平相关性。W(v)是一个先验矩阵，定义如下，表示第v个视图的视图可用信息和缺失信息: 

实际上，W(v)可以看作是一个映射矩阵，将恢复的缺失视图E(v)变换到X(v)中相应的位置。这样，X(v) + E(v)W(v)就可以看作是一个完整的视图，所有的视图自然对齐，进行多视图学习。

值得注意的是，不同的视图不仅包含互补信息，而且还共享语义一致性，这种一致性保证了所有视图对这些数据点具有相同的聚类决策。因此，在多视图聚类中保持语义一致性是非常重要的。为此，我们在图上引入了一个基于语义一致性的约束。因此，最终模型表示为:

IMVTSC-MVI对平均图进行谱聚类，得到最终聚类结果。

总结：

我们提出了用于缺失视图推断和不完全多视图聚类的IMVTSC-MVI算法。为了获得更合理的缺失视图，IMVTSC-MVI联合引入了张量低秩表示约束和基于语义一致性的图约束，不仅使模型能够探索视图间和视图内的信息，而且弥合了特征空间和流形空间之间的差距。