论文笔记：多视图聚类算法研究

多视图聚类算法研究

摘要

本文采用核方法，从如何选择核（核矩阵）及其参数的角度考虑问题，将每个核矩阵视为一个视图。

1. 基于矩阵范数导出正则化的多视图聚类算法。衡量每一对视图之间的相关性来减少被选中核的冗余并同时增加其多样性，引入嵌入矩阵范数导出正则化 的方法，获得了比当前最佳算法更好的效果。
2. 最优的邻居核聚类算法。本文提出的算法允许最优核落在其邻域内，而并不严格要求它是基核的线性组合这样可以有效的扩大最优核的选择区域。
3. 缺失多视图K均值算法。该算法填补和聚类融合成一个统一的优化程序，每一轮迭代的聚类结果将指引缺失核元素的填补，这将有利于后续进一步的聚类，这两个流程交替进行直至收敛。本文考虑到该算法没有充分考虑到每个视图的填充可以从其他的核矩阵受益的特点，采用缺失核矩阵间的相互填充进一步改善所提出核的K均值算法。
4. 矩阵范数正则化的局部损失多视图K均值算法。

绪论

常见的聚类方法：K-means聚类、谱聚类及核k-means聚类。影响聚类性能的关键要素是：如何计算样本间的相似度，主要依赖与数据特征。
目前算法的不足：
1）没有考虑视图间的相关性，例如某些视角被重复采集导致视图极为相似；
2）不能有效地解决样本中含有缺失视图或噪声视图的问题，即某些样本含有一些被噪声污染或缺失的视图。

矩阵范数导出正则化的多视图聚类算法

参考文献

随机游走算法