多视图聚类（矩阵分解篇）

1.《基于稀疏表示和自适应加权合作学习》

paper:Multi-view subspace clustering with intactness-aware similarity

(Junpeng Tan a , Zhijing Yang a , ∗, Yongqiang Cheng b , Jielin Ye a , Bing Wang b , Qingyun Dai c )2021

 引言：

非负矩阵存在局限：丢弃一些有用的negative信息。

CL动机：对每个视图进行协作训练，以获得包含每个视图的多样性信息的全局矩阵，可以充分利用视图之间的多样性信息，还有实现视图之间的互补性。

现存方法问题：1.在原始数据的SR中，NMF需要非负输入数据和基矩阵上的非负约束，这导致在分解过程中过滤掉负输入数据中包含的一些有用信息；2.它缺乏提取视图特定信息的有效方法。现有的方法很难获得最优的内部结构特征，因为数据往往包含一些冗余噪声；3.独立使用SR、自适应图学习（AGL）或CL不能充分考虑视图的多样性和视图之间的全局性。

本文贡献：1.提出了一种独特的稀疏矩阵分解方法，放松了NMF基矩阵的非负约束，使矩阵分解得到的稀疏矩阵包含更多有用信息；2.采用直接导数法对基矩阵和稀疏矩阵进行有效优化。因此，它增加了样本之间的相似性鉴别，同时，对SR的系数矩阵提出了二次处理;3.提出了一种新的两步算法来同时解决视图特定信息的学习和融合问题。首先，我们应用AGL优化相似矩阵，并通过组合流形学习对每个视图的内部结构特征进行预处理。AGL和SR的集成可以提取每个视图的特定信息。在此基础上，提出了一种AWCL融合方法来有效融合视图的分集信息。通过自适应加权方法学习全局矩阵进行融合，获得不同视图的特定信息。为了形成完整的全局矩阵数据结构，对全局矩阵进一步应用流形学习。