摘要: 本文主要研究如何通过挖掘多视图特征的多样性信息来促进多视图聚类,提出了基于多样性的多视图低秩稀疏子空间聚类算法。该方法直接将视图多样性概念应用于多视图低秩稀疏子空间聚类算法框架中,确保不同视图的子空间表示矩阵的多样性;为了实现多个视图聚类一致性同时达到提高聚类性能的目标,在该框架中引入谱聚类算法共同优化求解。通过对3个图像数据集的实验验证了该算法的有效性,同时其聚类的性能优于已有的单视图及多视图算法。
- 关键词:
- 多视图聚类 /
- 子空间表示 /
- 多样性表示 /
- 低秩稀疏约束 /
- 谱聚类 /
- 机器学习 /
- 特征学习 /
- 数据挖掘
在现实世界中,人类通过视觉、听觉、触觉等多种感官感知外部世界,这意味着大脑面对的信息是多视角的,大脑具有多视角学习的能力。同一事物可从不同视角、途径或结构进行描述如:相同的文件可以翻译成多种语言,相同的图片可以用不同的特征构造视图,这些不同来源、不同角度的信息构成了事物的多视图数据。尽管单视图数据可能足以完成学习任务,但融合来自不同视图的互补信息可以降低聚类任务的复杂性,大幅提高聚类性能。近年来多视图聚类(multi-view clustering,MVC)[1-3]逐渐成为炙手可热的研究方向。MVC的关键是如何将各个视图的信息结合起来,寻找多视图数据的潜在真实结构。MVC可分为4类:1)基于联合训练(co-training)的多视图聚类;2)基于多核学习(multiple kernel learning)的多视图聚类&#