多视图聚类中的alignment

近年来关于alignment的文章很多。本文将大致将它们总结一下

1. A Survey of Multi-View Representation Learning（2019TKED）

多视图对齐的定义：

 具体的对齐策略见该文献。

2.Multiple kernel clustering based on centered kernel alignment（2014PR）

 该准则用于度量两个kernel的相似性（该准则与kernel CCA 非常相似）。

该论文的主要目的是利用多核方法学习到最优的聚类结果（两个kernel,Ku为多核的线性组合，标签表示矩阵的乘积为另一个kernel，然后最大化两个kernel的相似性）。其目标函数如下：

 2.Multiple Kernel Clustering with Local Kernel Alignment Maximization（ijcai2016）

改论文把相似性度量表示为分子分母的差的形式：

然后假设核矩阵相似，其权重也应该一致。此外，邻域内的点最终表示应该一致。最终的目标函数为：

 3.Multi-view Clustering via Late Fusion Alignment Maximization（ijcai19）

目标函数如下：

4.Multi-view Clustering via Deep Matrix Factorization and Partition Alignment(ACM MM21)

 本质上来讲，就是将alignment加到目标函数中，来学习最终的表示。

5.Multiple Partitions Aligned Clustering（ijcai19）

因此目标函数为：

总结分析

1.从本质上来讲，文献[5]这种alignment方式实际上只利用了多视图数据的一致性信息(认为一致性信息是类别一致)。 

2.文献【1-4】的对齐方式假设\sumH^vW^v中包含了多视图数据中的所有信息，这种对齐方式本质上来讲是现将多视图数据进行融合，然后再讲融合后的数据与H进行对齐。文献[1]中提出的三种融合方式中的sum方式。