多视角-3-多视角数据聚类研究

最新推荐文章于 2024-05-24 10:45:31 发布

无CCFA就不改名

最新推荐文章于 2024-05-24 10:45:31 发布

阅读量7k

点赞数 11

分类专栏：多视角聚类文章标签： TIM 保研复试

本文链接：https://blog.csdn.net/singxsy/article/details/109510020

版权

多视角聚类专栏收录该内容

5 篇文章 9 订阅

订阅专栏

多视角数据聚类研究的学习

学习西安交通大学王浩师兄的博士毕业论文
其分享的代码链接：
https://github.com/cswanghao/Multi-view-Clustering

原论文：https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CDFD&dbname=CDFDLAST2021&filename=1021574471.nh&uniplatform=NZKPT&v=hQibNX_JeK5LlBce3PohNT6Hgsg2prPSyYocAt9kj1Ou5OcelWWB8MoNdciVLy95

1 Introduction

1.1 Background

多视角聚类旨在利用不同信息之间的一致性和互补性，展现出更好的聚类效果

基于自适应近邻图学习的多视角聚类
基于联合图学习的多视角聚类
基于谱扰动的不完备多视角聚类
基于并行化计算的多视角聚类

Key Word: 多视角聚类图聚类谱聚类概念分解并行化计算

数据收集的过程中，在一个视角中收集的数据，我们通常称为“单视角数据”。从多个视角收集到的数据我们就称其为“多视角数据”。如认识一个人，你从视觉方面来认出他，那就是单视角，但如果从样貌、声音、动作等多方面来认出他，就可以认为是多视角。
在这里插入图片描述

通常，从一个视角得到的数据可以得到某一方面有用的信息，但如果是多视角的数据，我们相信其数据之间具有潜在的一致性和互补性，因而能得到更有用、具体的信息，从而能构建出更优越的机器模型。

聚类算法所采用的基本思想有层次聚类、分割聚类、基于密度的聚类、基于约束的聚类以及基于模型的聚类等，其中最经典的两类聚类算法为K-means和Spectral Clustering，但传统的聚类算法当时单视角的，多视角的聚类算法仍有很大的提升空间。

定义1.1 (多视角聚类) 给定一个标签未知的多视角数据集，多视角聚类算法挖掘并利用不同视角之间的一致性信息和互补性信息，构建并学习共识函数，融合不同视角，最后将每个数据样本划分到相应的类或簇中。

1.2 Previous Research

依据算法分类，Multiview clustering可分为四类：

1.2.1 协同学习 Co-training Learning

旨在交互迭代地训练多个训练器，训练器之间交换彼此的信息，最大化不同训练器的训练结果从而达到所有训练器的一致性

在这里插入图片描述

1.2.2 多核学习 Multi-kernel Learning

核函数是实现映射关系内积的一种方法，将低维特征空间映射到高维空间，使得低维特征空间线性不可分的模式在高维空间可能实现线性可分。
即使用预先设定的核函数对应不同的视角，然后线性地或非线性地组合这些核函数，以此期望学习一致性核函数，并随后完成聚类任务。多核学习的一个关键问题是选择合适的核函数并将它们组合起来。
核函数包括线性核函数、多项式核函数、高斯核函数等，其中高斯核函数最为常用。

在这里插入图片描述

1.2.3 多视角图聚类 Multi-view Graph Clustering

图（或网络）常用于表示数据对象之间的关联关系。图中的每个节点对应一个数据对象，边表示数据对象之间的关系。
在实际应用中，谱图理论结合矩阵性质，将聚类问题转换为求解图矩阵的特征值和特征向量问题。由于图矩阵的特征值反映了图中的连通分量/连接成分，因此可以利用图中的连通分量对所构建的图进行切割来实现数据聚类。
基于图的多视角聚类（或者称多视角图聚类）旨在从每个视角上初始构建的图中学习融合图，然后在融合图上使用图切割算法或其它谱图技术，获取最终聚类结果。
在这里插入图片描述

1.2.4 多视角子空间聚类 Multi-view Subspace Clustering

子空间学习旨在将高维的数据映射到低维的子空间，在映射的同时保留数据特有的局部特性，从而有效地缓解“维数灾难”问题。经典的子空间学习方法有矩阵分解、主题模型、字典学习、低秩近似等。多视角子空间聚类假定所有视角共享所学习得到的隐空间，并在隐空间中完成数据的一致性表征，最后完成聚类任务。
其中两种典型的一致性数据表征学习方法是（1）从多个子空间中直接学习数据的一致性表征；（2）预先学习得到一个隐空间，然后在隐空间中获取数据的一致性表征。所学习得到的一致性表征随后用于输出最终聚类结果

1.2.5 一致性和互补性

Dasgupta等人证明了两个视角上假设的一致性和他们错误率之间的不等式关系：
$P\left(f^{1} \neq f^{2}\right) \geq \max \left\{P_{\operatorname{err}}\left(f^{1}\right), P_{\operatorname{err}}\left(f^{2}\right)\right\} \tag1$

从式（1）可以得出：
性质1.1 (一致性原则) 给定一个多视角数据集，最大化所有视角上假设的一致性
将降低每一个视角上假设的错误率。
此外，互补性也给出了说明：
性质1.2 (互补性原则) 给定一个多视角数据集，多个视角比单视角能够更加全面地、准确地表示数据对象，并且不同视角之间包含互补信息。
在这里插入图片描述
一致性和互补性是多视角聚类中的两个基本原则。

1.3 Contribution

在这里插入图片描述

1.4 符号约定

在这里插入图片描述

2 基于自适应近邻图学习的多视角聚类

2.1 自适应近邻图学习

基于图的多视角聚类即使用图来表示数据对象之间的关系，并用相似度来进行度量，此类图通常称为相似图或亲和图。
图中的顶点对应于数据对象，变得权重表示数据对象之间的相似关系。再进行计算时，一般使用矩阵来计算图。

常用的两种图：

全连接图：对于数据对象 $x_i$ ，图中会在数据对象 $x_i$ 与所有其它数据对象之间存在边连接；
K 近邻图：对于数据对象 $x_i$ ，图中会在数据对象 $x_i$ 与其前 $k$ 个近邻对象之间存在边连接

在一个图中，如果顶点 $i$ 和 $j$ 之间有边连接，则图矩阵中元素 $s_{ij}$ 可采用以下三种相似度度量方法进行定义：

二值（0-1）相似度： $s_{ij}=1$
余弦相似度： $s_{i j}=\frac{\left(\mathbf{x}_{i}\right)^{T} \mathbf{x}_{j}}{\left\|\mathbf{x}_{i}\right\|\left\|\mathbf{x}_{j}\right\|}$ ;
高斯核相似度： $s_{i j}=\exp \left(\frac{-\left\|\mathbf{x}_{i}-\mathbf{x}_{j}\right\|}{2 \sigma}\right)$ ,其中 $\sigma$ 是缩放因子

代表性的基于图的聚类算法有谱聚类(Spectral Clustering)和图切割(Normalized cuts,Ncut).
传统的基于图的聚类算法步骤如下：

构建数据的图矩阵 $\mathbb{R}^{n×n}$ ，其中的每一个元素 $s_{ij}$ 表示数据对象 $x_i$ 和 $x_j$ 的相似性（或称亲和性）；
计算图拉普拉斯（Laplacian）矩阵 $L_S = D_S − (S^T + S)/2$ ，其中 $D_S$ 是对角矩
阵并且其对角线第 $i$ 个元素是 $\sum_{j}\left(s_{i j}+s_{j i}\right) / 2$
计算映射矩阵 $\mathbf{F}\in\mathbb{R}^{n\times r}(通常r<d)$ ,其目标函数如下： $\min _{\mathbf{F} \in \mathbb{R}^{n \times r}} \operatorname{Tr}\left(\mathbf{F}^{T} \mathbf{L}_{S} \mathbf{F}\right)$
在映射矩阵 $\mathbf{F}$ 上使用额外的聚类算法(如 K-means)将数据分成 $c$ 个簇