文献阅读（64）Access2019-Multi-View Spectral Clustering via Integrating Global and Local Graphs

本文是对《Multi-View Spectral Clustering via Integrating Global and Local Graphs》一文的浅显翻译与理解，如有侵权即刻删除。

更多相关文章，请移步：
文献阅读总结：多视图聚类

Title

《Multi-View Spectral Clustering via Integrating Global and Local Graphs》

——Access2019

Author: 谢德燕

总结

文章在基于Markov的多视图谱聚类方法基础上，引入目标秩先验知识，以及全局几何结构的度量，提出了融合局部和全局图的多视图聚类方法。该方法使用所有视图串联后的特征构建全局图，以挖掘多视图数据的全局几何结构。同时，使用部分奇异值之和代替核范数，实现目标秩约束，进一步提升目标转移概率矩阵的正确性和鲁棒性。

本文中文版对应2019年西电博士论文-基于图学习的多视图聚类（谢德燕），在此不再介绍具体细节，仅从后向前推导方法逻辑。

完成聚类任务需要概率转移矩阵和聚类系数，而多视图数据需要将每个视图的概率转移矩阵进行结合得到最终的矩阵。对于概率转移矩阵初始的构建是粗糙的，需要进行优化，优化目标基于这样一个原理：在聚类中，概率转移矩阵的理想秩等于类别数c。

因此，需要最小化概率转移矩阵的秩，使得该矩阵中每个位置（即对应的每个数据样本）仅属于其中一类且与该类中样本的亲和度尽可能平均，而与其他类中样本的亲和度为零。

文章在多个视图的基础上，构建了全局图也加入到最终概率转移矩阵的生成中去，并使用部分奇异值之和代替核范数，进一步提升概率转移矩阵对每个数据样本的表达能力。在这种情况下，构造出的损失函数包含着多个参数，因此文章选择了固定其他参数，同一时间只优化或求解其中一项参数的方法。