Multi-view subspace clustering via partition fusion

1、Abstract
作者想解决什么问题，method是什么，answer是什么
2、Introduction
为什么要研究，该研究进行到哪一阶段，理论依据是什么
3、Conclusion
未来的研究着重点在哪？有无可改进的方法
4、Table Or Fig
直观捕捉有用信息
5、 Related work
之前的研究进展如何
6、Algorithm
尽可能理解每一步表示什么

1. Abstract

Question：Spectral clustering algorithm‘’s performance may degrade due to noise existing in each individual view or inconsistencies between heterogeneous features.
Method:We propose to fuse multi-view information in a partition space ,which enhances the robustness of Multi-view clustering.
1) generate multiple partitions and integrate them to find a shared partition.
2) unifies graph learning,generation of basic partitions ,and view weight learing.

2. Introduction

In many real-world problems,data are collected from different sources.To process these kinds of data , a number of multi-view learning algorithms have been developed.
多视图方法的两种基本假设：consistency and complementarity（共识性和互补性）
to achieve a better performance by integrating compatible and complementary information from different views.

近些年多视图聚类算法可以分为以下几类：（详细介绍）
1）co-training style algorithms
2) kernel-based methods
3) graph-based methods
4) subspace clustering based methods

在实际生活中数据是存在噪音或存在缺失，这就有了一个关键问题图学习是容易受这些因素的影响，从而导致结果质量不佳，鲁棒性较弱。

We propose to fuse partitions to improve the model robustness.We adaptively learn a weight for each view to control its contribution to the final clustering.The final clustering is achieved through a purposely designed weighting mechanism imposed on basic partitions.

Main contributions:
1) propose to fuse multi-view information in a partition space.
2) model which iteratively learns a graph for each view, a partition for each view, a weight for each partition, and a consensus clustering.
3) 实验结果表明该模型是有效率的，在有噪声的数据下鲁棒性好。

3. Conclusion

1. 提出了一种novel的多视图子空间聚类方法，旨在探索分区空间中的多视图信息以此来增强模型的鲁棒性。
2. 模型把图学习、谱聚类、加权学习和分区融合整合到一个统一的框架，每一部分都是调优的。
3. 实验结果也表明了该模型的有效性和鲁棒性

4. Proposed methodology

与MVSC相比，本方法将图的构建与谱聚类结合在一起。每个视图都生成一个分区。Multiple partitions allow us to manipulate multi-view information in partition space,which enhances the model robustness.
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210712083859700.png




由于噪声与各种特征的影响，在一般情况下分区矩阵是不容易被识别的为此引入了加权机制，

w的值越大表明这个分区对共识聚类的贡献越大

分区融合的目标函数

Y是共识聚类的指示矩阵

Partition Fusion multi-view Subspace Clustering(PFSC) can be formulated as :

输入数据X，PFSC会将聚类的指示矩阵输出，因此PFSC是一个端到端的聚类。

S,F,w,Y的优化

将原始问题分为四个子问题，采用坐标轮换的方法，优化其中一个的时候，将其他三个固定。




算法如下：

最后附上论文地址：https://www.sciencedirect.com/science/article/pii/S0020025521000712
代码地址：https://github.com/LyuJC/PFSC