该博客讨论了多视图数据中的子空间聚类问题，提出了一种新的方法——完备感知相似性（Intactness-aware Similarity），结合希尔伯特-施密特独立性准则（HSIC）来指导谱聚类。文章指出传统方法在处理不同视图相似矩阵时存在的问题，并提出假设：完备空间应是中心化的，距离相近的数据点具有更高的相似性。通过l1范数处理离群值并引入正则项，避免平凡解。最后，利用HSIC构造的相似矩阵进行谱聚类，实现多视图信息的融合。
paper:Multi-view subspace clustering with intactness-aware similarity(Xiaobo Wang a , Zhen Lei b , ∗, Xiaojie Guo c , Changqing Zhang c , Hailin Shi a , Stan Z. Li b , d )
解决问题：1.由于视图不足导致信息丢失，尝试从多视图数据中恢复完整的空间。例如[41],“intact”意味着完整并且未受损坏，这对图的构建非常有利。2.使用HSIS（Hilbert–Schmidt Independence Criterion）指导谱聚类。
以前构造相似矩阵方法存在问题：一是尽管不同相似矩阵中的块结构相似，但它们的值可能会显著不同，因此达成相似性共识可能会大大降低性能。换句话说，相似性假设可能不成立。另一个原因是，上述方法构造的相似度信息量较小，因为大多数方法都忽略了局部连通性。
希尔伯特-施密特独立性准则
结论：为了最大化两个随机变量X和Y之间的相关性，tr(K1HK2H)应该最大化。参考[55,58]
完备空间学习
最低0.47元/天 解锁文章
4340
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
