多视角聚类（五）Incomplete Multiview Spectral Clustering With Adaptive Graph Learning

一.解决问题

提出一个可以用于非完整实例的子空间聚类方法。

用作者的话说大多数文章解决的是a情况，他解决的是b情况，更有真实意义。

二.主要思路

1.多视角子空间聚类

第一部分是一个实例Xv的自表示，第二部分Z是公共子空间，Zv是特有子空间，让公共部分和特有的部分的重叠尽可能少。而要使重叠尽可能少，则可以使所有特有子空间之和最小。然后将第二部分换一下，成了这样：

2.此文改进

首先作者将目标函数改成了这样：

表示在v视角下没有丢失的实例。这个式子表示的是，，它被这样表示：

G是一个索引矩阵，即未丢失则是1，丢失则是0，这样将v视角下的丢失和未丢失的都联系了起来。又可以证明得到，作者将目标函数改写为：

作者为了防止不同类的样本权重比同类的样本权重大，作者又引入了一个式子入目标函数：

其中

U和F分别表示共识代表与代表的分歧，K表示它们的相似度矩阵，又因为

那么最终的目标函数就可以表示为：

三.尾语

亮点应该在索引矩阵上吧。