多视角聚类学习(一)An overview of recent multi-view clustering

原文链接

1.Introduction

随着多媒体技术的发展，数据的获取不像以前那么紧张了多视角数据开始大量出现，多视角数据在最终的数据表现形式上可能不同，但他们都代表着相同的东西。多视图学习在聚类问题上的应用产生了许多新颖的多视角聚类算法。
最原始的多视角聚类是简单地缝合所有地数据特征，然后使用它们进行聚类，这种方式没有利用不同观点之间的信息互补性，也没有任何可解释性。随后。一种基于混合模型和期望最大化算法的方法被提出，其核心思想是为每个集群学习一个模型，并将它们集成到一个统一的模型中。目前研究的多视角聚类算法大多从谱聚类和其他基于图的方法中导出，他们的目标不是致力于获得统一的相似矩阵，而是学习最终的指标矩阵，直接用于聚类。子空间聚类可以有效地降低数据的维数，在多视点聚类领域也得到了人们的关注。

2.Recent multi-view clustering algorithms

2.1Graph-based model

基于图的聚类算法以构建数据的相似度矩阵的目标，采用典型的谱聚类算法或其他一些方法进行最终的标签分配。

2.1.1AMGL无参数自动加权多重图学习

它通过修改传统的谱聚类模型来实现权值的自动分配，不需要任何超参数。

AMGL目标函数：

构造目标函数的拉格朗日函数，求出F的偏导数并令导数为零，将权重因子$w^v$纳入公式：

经过推导得：

将$w^v$看成常数，可将求解目标函数最小值得问题转换为求以下公式得最小值问题：

通过迭代可得到F和$w^v$的最优值。

2.1.2SwMC自加权多视角聚类

SwMC将约束拉普拉斯秩（CLR）的方法应用于多视角聚类，可以跳过后处理过程（传统的基于图的聚类方法，一旦求解出目标图，就需要k-means等简单的聚类算法将每个点分配到特定的聚类中），CLR通过引入矩阵秩极限来学习一个新的但更可靠的相似矩阵S。

目标函数：

利用拉格朗日乘数法进行推导，可将上面的公式调整为：

通过迭代可得到S和$w^v$的最优值。

2.1.3MLAN

MLAN算法通过学习局部流形结构获得最优图，用于实现最终的聚类。它自动为每个视图分配适当的权重，以集成所有视图。

2.2Space-learning-based model

2.3Binary-code-learning-based model

3.Current challenges and future directions

4.Conclusion and future work