基于不完整多视图聚类的自适应图补全

本人理解，其实这里的自适应就是说的填充是自适应的，然后在第二步视图间推断填充的时候加了一个权重，这个权重不是自适应的很一般的权重用法。

摘要:

现有的针对不完整多视图数据的聚类方法忽略了缺失视图的隐藏信息和不同视图的信息不平衡。为了解决这些问题，本文提出了一种基于自适应图补全的不完全多视图聚类方法(AGC_IMC)。具体而言，AGC_IMC开发了一个图补全和共识表示学习的联合框架，该框架主要包含三个组成部分，即视图内保存、视图间推断和共识表示学习。为了减少信息不平衡的负面影响，AGC_IMC在共识表示学习过程中引入了一些自适应权重来平衡不同观点的重要性。

前言：

谱聚类

谱聚类主要是提取一个揭示样本间内在关系的图来进行聚类，因此可以看作是基于图的聚类方法。对于数据集X =[x1,x2，…xn]∈Rm×n，谱聚类一般首先从数据中构造一个非负元素、对称结构的相似图W∈Rn×n，其中m和n分别表示特征维数和样本数。在相似图中，每个元素都可以看作是对应的两个样本在一定程度上来自同一类的概率。然后最小化以下目标函数，得到所有样本的新表示。其中U∈Rn×c为新的表示(U的每一个行向量都是对应样本的新的表示)。c是新表示的特征维数，一般选择它作为数据的聚类数。I表示单位矩阵。L∈Rn×n为图W的拉普拉斯矩阵。

多视图谱聚类

多视图谱聚类寻求从所有视图构建的多个相似图中学习共识表示，然后对共识表示实施k-means，从而获得最终聚类结果。作为一种众所周知的方法，正则化多视图光谱聚类设计了如下模型来学习所有视图同意的共识表示U*。式中λv为第V个视图的惩罚参数。L(v)为第v视图的归一化图。W(v)∈Rn×n为第v视图的预构造的对称结构相似图，n为样本数。U(v)∈Rn×d可以看作是数据在第v个视图中的新表示，d是新表示的特征维数。U∗∈Rn×d表示所有观点共有的共识表示。

Model

符号：

对于任意有l个视图和n个样本的不完全多视图数据，设Y(v)∈Rmv×nv为第v个视图的可用实例集，其中mv和nv (nv≤n)为第v个视图的特征维数和可用实例数。S¯(v)∈Rnv×nv表示从第v个视图的可用实例预先构造的对称图，其中¯S(v)的所有元素都是非负的。

视图内保留:

设S(v)∈Rn×n为第v个视图的补全图。对于第v个视图，¯S(v)中可用实例的相似性信息应该保留在引用的图S(v)中。

我们假设矩阵E∈Rl×n记录了缺失视图的索引信息，其中Ei,j =0表示在第i个视图中缺少第j个实例，否则Ei,j =1。根据E中记录的缺视信息，我们可以将(3)转化为以下等价公式:

¯S(v)和S(v)有以下联系:

视图间推断:

多视图数据包含视图之间的许多互补信息。此外，对于不完整的多视图数据，样本与至少一个视图中的其他样本之间必须存在某些连接关系。这表明，通过借用其他视图的相似性信息，可以推断出图中缺失视图对应的缺失行和列。设计了以下基于稀疏表示的视图间推断模型来恢复不完全图:

一致表示学习:

总目标函数