2023.3.6文献笔记

题目：Co-regularized Multi-view Spectral Clustering协同规范化的多视角光谱聚类法

Abstract摘要：

在许多聚类问题中，我们可以获得数据的多个视图，每个视图都可以单独用于聚类。
利用来自多个视图的信息，我们可以希望找到一个比使用单个视图获得的聚类更准确的聚类。
通常情况下，这些不同的观点承认相同的基础聚类，所以我们可以通过寻找不同视图之间一致的聚类来解决这个问题。
也就是说，各视图中的相应数据点应该具有相同的聚类成员。
即每个视图中的相应数据点应该具有相同的聚类成员。
我们提出了一个光谱聚类框架，通过共同规范聚类假设来实现这一目标，并提出了两种共同规范化方案来实现这一目标。

实验在两个合成数据集和三个真实世界的数据集上与一些基线进行实验比较，确定了我们提出的方法的有效性。

1. Introduction介绍：

许多现实世界的数据集都是以多视图的形式表示的[1, 2]。例如，网页通常由页面文本和超链接信息组成；网络上的图片有与之相关的标题；在多语言信息检索中，同一个文档在不同的语言中有多种表述，等等。尽管这些单独的观点可能是 虽然这些单独的观点对于一个特定的学习任务来说可能是足够的，但它们往往可以提供互补的信息 互相补充，从而提高手头学习任务的性能。

在数据聚类的背景下，我们寻求基于某种相似度的数据分区 例子之间的相似性。在众多的聚类算法中，频谱聚类在最近获得了相当大的关注。由于其在任意形状的聚类上的强大性能，最近获得了相当大的关注。并由于其完善的数学框架[3]。谱系聚类是通过以下方式完成的 从数据点中构建一个图，其间的边代表相似性。并解决该图上的归一化最小切割问题的松弛[4]。对于多视图 对于多视图聚类问题，我们假设真正的底层聚类会将每个视图中的相应点分配给 每个视图中的相应点都被分配到同一个簇中。鉴于这一假设，我们可以通过限制 多视图聚类问题的方法是，将我们的搜索限制在与每个视图上定义的图兼容的聚类上。在每个视图上定义的图形之间是兼容的：每个图形中的相应节点应该有相同的 集群成员资格。