多视图聚类的算法总结

多视图聚类算法总结

多视图聚类主要利用不同视图间的差异性和互补性的信息来对数据进行聚类；关键问题在于如何有效地利用多个视图的信息，发挥各视图的优势，减少各视图的局限，从而获得准确且稳健的聚类性能；
两个原则：
1）一致性原则：旨在最大化多个视图之间的一致性，如多个视图应具有相同的类别结构；
2）互补性原则：指多视图数据的每一个视图都可能包含其他视图不具备的信息或知识，使用多个视图可以获得更加全面而准确的数据描述；

一、基于协同学习的算法

1、思想：基于协同学习的多视图聚类算法旨在利用每个视图的先验信息或学习得到的知识去引导其他视图上的聚类进程，在执行多次迭代策略后，使得所有视图上的聚类结果趋于一致，共识信息达到最大化。
2、作用：基于协同学习的聚类方法可以促进不同视图间相互学习、相互改进，然而算法的有效性依赖于视图的充分性、兼容性和条件独立性三个条件，在一定程度上限制了其在复杂多视图上的应用。

二、基于图学习的算法

1、思想：找出一个由所有视图共享，且能够刻画所有视图相互关系的融合图，在融合图上使用图切割算法或其他谱图技术，最终获得聚类结果；
2、该类算法的三个关键步骤：1）基于单视图分别构造初始图；2）学习融合全部视图拓扑结构的一致图；3）将聚类问题转化成图分割问题；其中最关键的是如何构造高质量的初始图和如何设计有效的图融合策略。
3、作用：基于图结构具有可解释性强的特点，该类方法在聚类结果的