多视图聚类与子空间聚类

1、多视图聚类

从对事物的不同角度的理解生成多个特征描述视图，而非单个视图，就是多视图。

若对事物作单视图特征表示，则意味着，增加了特征空间的维度，且不同角度的特征合成同一视图，其特征可能失去原有的意义。
而多视图，则能够发挥各个视图的优势，把同一数据表示成多个特征集，然后在每个特征集上可以用不同的方法进行学习，达到协同学习的目的，改善学习性能。

半监督多视图学习：
找到将将标记数据较好分类的视图，然后将该视图训练出的分类器对未标记的数据进行分类，并将分类结果给到其他视图，帮助其他视图训练分类器。

2、子空间聚类

1. 为什么
   1）高维数据使可视化和理解输入变得困难，通常需要预先应用降维技术。它导致了“维度诅咒”，即随着维度增加，所有子空间的完整枚举变得难以处理；
   2）大多数底层聚类技术依赖于结果和降维技术的选择；
   3）数据的许多维度彼此之间可能是不相关的，并且可以在有噪声的数据中屏蔽现有的聚类；
   4）一种常见的技术是执行特征选择，但是在某些情况下，识别冗余维度是不容易的。

2. 是什么
   子空间聚类是一种在不同子空间发现聚类的技术。
   基本的假设是，我们可以找到只由维度子集定义的有效聚类。
   子空间聚类算法拓展了特征选择的任务，尝试对相同数据的不同子空间上发现聚类；比如对于n个三维的数据，维度分别为abc，当在三维空间中无法区分数据时，可以找到其子空间，假如是ac将其分开，则能够在此子空间下容易地识别类。