GMC: Graph-based Multi-view Clustering 论文笔记

GMC: Graph-based Multi-view Clustering（TKDE2019）

论文链接：https://ieeexplore.ieee.org/abstract/document/8662703/

1. 论文主要贡献

提出了一种通用的基于图的multi-view聚类方法(GMC)，用于解决现有方法的一些限制。GMC自动加权每个视图，共同学习每个视图的图和融合图，并在融合后立即生成最终簇，不需要引入另外的spectral聚类方法，值得注意的是，每个视图图的学习和融合图的学习可以互相增强。

2. 论文主要内容

2.1 Introduction

这里主要提及了现有的一些基于图的multi-view聚类方法的限制，主要有三点：
◆ 在一些方法中并未考虑不同view的重要性的差异——融合过程中权重问题；
◆ 许多现有方法都需要额外的聚类步骤以在融合后产生最终的聚类；
◆ 目前大多数方法都是单独构造每个视图的图，并在融合过程中将构造的图固定下来。

针对上述三点限制，本文提出了相应的解决方案：
◆ 自动生成权重w；
◆ 通过对图的拉普拉斯矩阵施加秩约束，自动生成聚类结果；
◆ 本文提出的方法以互相增强的方式共同构造每个视图图和融合图，此处的互相增强是从最终目标函数中体现出来的，后面将会介绍。

2.2 Related Work

这部分内容我认为作者写的一般，在这里我总结一下图聚类，谱聚类。