多视图聚类方向：子空间学习

最新推荐文章于 2024-07-28 15:37:27 发布

打小就聪明w

最新推荐文章于 2024-07-28 15:37:27 发布

阅读量4.2k

点赞数 3

文章标签：机器学习线性代数人工智能

本文链接：https://blog.csdn.net/weixin_47038252/article/details/119569405

版权

策略：首先基于多个视图生成一致性表示，再应用现有的聚类算法，如谱聚类来实现最终的聚类结果。

子空间学习（subspace learning):假设视图间有一个潜在子空间，学习目的是从视图中获得一个合适的子空间，然后为所有视图生成一致性表示，然后将共同的子空间表示矩阵利用谱聚类得到最后的聚类结果。

例如：

Gao hongchang等人首先学习得到多个视图数据的公共子空间表示，再用谱聚类方法对子空间表示矩阵进行聚类得到最后的聚类结果。[16]
Liu Iialu等人首先利用非负矩阵分解对多个视图信息进行融合，得到集成多个视图信息的系数矩阵，再用K均值方式得到最后的聚类结果。[25]
Yuhong等人利用低秩表示融合多个视图信息获得一致性低秩矩阵，再将其一致性矩阵利用主动三支谱聚类得到最后的聚类结果。[34]
K等人利用典型相关分析（Canonical correlation analysis，CCA）将多视图的高维数据投影到低维子空间中，再进行选标准聚类方法进行聚类。[37]

由于多视图数据常常具有高维的数据特点，非负矩阵分解(Non-negative MatrixFactorization，NMF)在数据降维上具有优良的性能。基于NMF的多视图聚类方法由于其简单性和可解释性而已成为广泛使用的多视图聚类算法。

Liu Jialu等[25]首次将非负矩阵分解应用于多视图聚类中，结合基与中心的共正则化策略融合视图间的信息，提出的MultiNMF方法取得了较好的聚类结果。
Zong Xianchao等[26]将局部结构约束与NMF结合用于多核视图聚类,在聚类的同时保持数据的局部结构。
Wang Xiumei 等[27]利用成对约束和NMF用于多视图聚类，同时考虑视图内的相似性和视图间的相似性，获得视图的一致性信息。
Cheng Wei等[48]利用semi-NMF用于多视图聚类。
2014年 Li Shaoyuan等[49]提出的PVC方法首次利用NMF和L1稀疏规则算子对两个存在缺失数据的视图进行聚类，PVC的主要思想是在不同视图中描述同一样本的实例应该彼此相似，在视图内部相似的实例应该被划分到同一类。该方法在处理部分视图聚类表现更好，使得基于NMF的多视图聚类方法更多的被用于处理不完整多视图数据。例如 Shao Weish

关注